体育分析中机器学习的标准：预测未来

运动分析有相当一部分属于机器学习，即从数据中研究战术和能力。

那么既然我们要做这些分析，我们是否要有一个标准呢？我们的标准是什么？标准很简单，我们只看未来的预测表现

这与其他机器学习应用程序相同，为了评估战术，我们只看这种战术的预测性能。不否认棒球中的内场转移防守战术是对付极端击球手(如Joc Pederson或Altuve)的绝佳战术，只是因为它恰好被一个打得不好的球逆转，因为我们可以从数据中发现，这种战术对于这类击球手未来的预期表现更强。去左边的牛棚被左边的马特奥尔森射中？这个选择是正确的，数据也告诉我们，马特奥尔森在左路投篮的预期表现比右路要差很多：99 vs 144 wRC，左路投篮的表现只有右路的69%。

评价能力，我们也看他未来的预测表现。李基今年几乎没有什么作品？他还是一个糟糕的棒球初学者。特劳特在过去的五场比赛中只有一次命中？他仍然是MLB最好的击球手。易建联20分19篮板？他仍然是NBA最糟糕的攻防球员之一。威斯布鲁克，三分，十分，七分？他仍然是NBA最差的三分球员之一。换句话说，体育分析师应该是先知，而不是事后诸葛亮事后聪明很容易。给出一些数据并讲述一个似是而非的故事来充实数据并不难。

一个常规赛强势的铁牛投手三天前炸了2分，这场比赛继续去高杠杆局，结果又炸了？垃圾调度，投手心态炸了，不断投高杠杆。一个强壮的铁牛投手三天前上场，轰了2分。这局继续去高杠杆局，结果是三上三下？好的调度，好的投球内容/偶尔几投不中，运气不好，给球员信心。领先2分，0出局，二垒有人，二击不中，不碰，最后没分？垃圾调度，战术技能，推进技能。2分领先，0出局，2垒，有人没打中，第二次打中，打中，最后直接接触失败，打中一个小飞球？这也是一种垃圾战术。一切都是为了中锋，打击和不信任球员。反正摸嘴摸皮肤的时候，一切都是合理的；我有键盘，全世界都有。

但是这些事后分析真的有用吗？教练和球探真正看的是什么？不就是未来的预期表现吗？说白了，一切都是为了球队有更好的战绩，赚更多的钱，进入季后赛，在未来赢得更多的总冠军。讲故事很容易。我可以编出几组故事，任何结果。事后聪明的事，往往对未来无用。所谓的前猪事件没有任何意义。而且，当样本量小且有噪声时(单个事件是随机的)，往往会出现很多奇怪的现象。遗憾的是，体育比赛往往满足这两个条件。我们众所周知的结论是，即使MLB联盟第一的宇航员是联盟最后一只老虎，后者(弱队)的胜率往往也有20%甚至更高。单次投掷和单次篮球攻防的随机性更大。

即使单个事件的概率很低，当我们多次观察这些事件时，也不一定很低。连续7次为正的概率是不是很小(~0.8%)？然而，如果我们观察到100次正反概率各为一半的硬币翻转，则至少有一次连续出现7次正概率的概率约为32%。如果你观察1000次呢？那是98%！如果把范围拉长，比如你看一个赛季的数据，看输赢，看投手和打者，那么真的有那么多数据供你观察。也就是说，如果你深挖一个赛季的数据，你总会发现一些奇怪的事情发生的概率很大。如上所述，抛硬币的结果纯粹是随机的，显然对未来没有预测作用。

一门学科，作为一门科学，通常必须是以下两种之一或者说，它有一个完整的公理系统。也被称为“形式科学”。数学，无论是欧洲几何、实分析还是理论计算机科学，都是基于非常完备的公理系统——几何公理、实数和测度公理、图灵机等计算模型——。

或者，有足够有说服力的实验数据具备预测未来的能力。有很多这样的。物理定律，从量子力学到天体物理学，都需要实验证据来说话。药物研发往往需要一个完整的、多周期的试验，证明对未来有可接受副作用的患者有效，才能通过FDA的严格检查。顺便说一句，这个要求与这个科学研究的对象是自然科学还是社会科学无关。事实上，正规的社会科学研究，如心理学、(计算)语言学或现代微观经济学，至少需要和许多自然科学一样多的预测能力，甚至更为严谨。

体育分析是一门科学，它一定是其中之一当然，它必须属于第二类，即必须有实验数据说话，有预测未来的能力。这与很多“学科”不同。这些学科甚至有所谓的“流派”，观点之间差距很大，甚至相反。作为一门学科，这种现象是非常不正常的。你见过数学家不同意哪个定理吗？证明它是对的，它是对的。在基于数据的学科中，不一致性也很小，通常只取决于所使用的数据和模型之间的一些微小差异，这些差异通常非常微妙。什么“学科”会有学校？典型的就是看占卜算命，看各种宗教，看各种传统东西方医学的人。没有运动分析学派。