Data mining of player tracking statistical categories in basketball teams

U ovom radu proučavana je značajnost statističkih kategorija unutar grupe praćenja igrača, ali na razini ekipa. Provedena je statistička analiza, dubinska analiza algoritmima za generiranje pravila, analiza klasifikacijom te su napravljene predikcije na temelju prosjeka. Najznačajnije utvrđene značajnosti su: 1) nebranjeni postotka šuta; 2) broja postignutih nebranjenih koševa; 3) postotak branjenog šuta; 4) asistencije i sekundarne asistencije; i 5) prilika za obrambeni skok. U radu predlažemo dvije nove statističke kategorije: postotak efektivnih dodavanja i prilagođeni postotak šuta. Predložene kategorije su također pokazale visok stupanj značajnosti u analizama. Prilikom predikcija na temelju prosjeka zadnjih n utakmica, utvrdili smo kako što je n veći, to su i točnosti veće. Dobivene točnosti predikcija samo na skupu podataka praćenja igrača kreću se oko 65%.Main goal of this thesis was to identify the most significant statistical categories in group of player tracking statistics, but on a team level. We have done statistical analysis on data, analysis with data mining algorithms for rule inducting, analysis with classification, and predictions based on Prosjek values of categories. Results show that most significant categories are: 1) uncontested field goal percentage; 2) uncontested field goals made; 3) contested field goal percentage; 4) assists and secondary assists; and 5) defensive rebound chances. In the thesis, we suggest two novel statistical categories: effective passing ratio and adjusted field goal percentage. With our model for predictions, we obtain Prosjek Točnost around 65% based only on player tracking data. Also, we concluded that if we take more games in calculating the Prosjek, we get higher Točnost of predictions