HIBRIDNI PRISTUP PREDIKCIJE NBA DRAFTA: MAŠINSKO UČENJE U KOMBINACIJI SA IVANOVIĆEVIM ODSTOJANJEM

Abstract

Precizno predviđanje koji će koledž igrači biti izabrani na NBA draftu i dalje predstavlja izazovan zadatak sa visokim ulozima, ali i neuravnotežen klasifikacioni problem. Ovo istraživanje predlaže pristup koji integriše analizu glavnih komponenti radi redukcije dimenzionalnosti, SMOTE tehniku za balansiranje klasa i hibridni model koji koristi Ivanovićevo odstojanje za poređenje rezultata osam algoritama mašinskog učenja, primenjenih na više od 4.500 NCAA igrača iz generacija od 2011. do 2020. godine. Performanse modela evaluirane su pomoću četiri metrike osetljive na neuravnoteženost klasa – F1 ocena za pozitivnu klasu, Matthewsov korelacioni koeficijent (MCC), površina ispod Precision-Recall krive (AUPRC) i izbalansirana tačnost (Balanced Accuracy), a sve su objedinjene kroz Ivanovićevu distancu kako bi se dobila sveobuhvatna rang-lista modela. Random Forest je postigao najbolji kompozitni rezultat (F1 = 0.56; MCC = 0.50; AUPRC = 0.56; Balanced Accuracy = 0.78), a odmah za njim su sledili neuronske mreže, XGBoost i SVM. Analiza pokazuje da su dvosmerni učinak (napredne ofanzivne i defanzivne metrike) i efikasnost u šutu sa distance pouzdaniji indikatori draft rezultata nego sirovi broj poena ili udeo u timskoj igri.