MLB_Player Value,12/28 update

1. 投手部門的結果分析

均值背景

• 投手部門的薪資均值為 7.82 百萬美元。
• 我們可以將模型的誤差與薪資均值進行比較，以評估模型的預測性能。

指標對比

模型表現解釋

1. 最佳模型：
   • Kernel Regression 明顯優於其他模型：
     • R² 高達 0.996，幾乎完全解釋了薪資的變化。
     • MAE 僅 0.26 百萬美元，遠低於薪資均值的 3.32%。
     • RMSE 僅 0.54 百萬美元，是所有模型中誤差最低的。
2. 次佳模型：
   • Random Forest 表現也非常好：
     • R² 達 0.925，具有良好的解釋力。
     • MAE 為 1.51 百萬美元，占均值的 19.31%。
     • RMSE 為 2.30 百萬美元，高於 Kernel Regression，但仍然合理。
3. 線性模型（Linear, Ridge, Lasso）：
   • R² 約為 0.47，解釋力相對較低。
   • MAE 約 4.47 百萬美元，占薪資均值的 57.18%，預測偏差較大。
4. 表現較差的模型：
   • PCA Regression 和 GAM 的 R² 僅約 0.18~0.19，幾乎無法解釋薪資的變化，誤差也相對較高。

總結：

• 如果重點是準確性，應選擇 Kernel Regression。
• 如果需要兼顧解釋性且誤差容忍度稍高，選擇 Random Forest。

2. 打擊部門的結果分析

均值背景

• 打擊部門的薪資均值為 9.17 百萬美元。

指標對比

模型表現解釋

1. 最佳模型：
   • Kernel Regression 表現突出：
     • R² 高達 0.997，幾乎完全解釋了薪資變化。
     • MAE 僅 0.35 百萬美元，占均值的 3.82%。
     • RMSE 僅 0.42 百萬美元，是所有模型中誤差最低的。
2. 次佳模型：
   • Random Forest：
     • R² 達 0.952，解釋力非常高。
     • MAE 為 1.53 百萬美元，占均值的 16.68%。
     • RMSE 為 2.55 百萬美元，次於 Kernel Regression。
3. 線性模型（Linear, Ridge, Lasso）：
   • R² 約為 0.47，解釋力較低。
   • MAE 約 5.18 百萬美元，占薪資均值的 56.49%。
4. 表現較差的模型：
   • PCA Regression 和 GAM 的 R² 分別為 0.268 和 0.306，解釋力有限，誤差也偏高。

總結：

• Kernel Regression 是最佳模型。
• Random Forest 為次佳選擇，適合需要更多可解釋性的場景。

總體解釋與建議

1. 投手與打者模型比較：
   • 投手部門和打者部門的最佳模型均為 Kernel Regression，解釋力和準確性最高。
   • Random Forest 是穩健的次選，解釋力高且誤差相對較低。
2. MAE 與 RMSE 比較：
   • 投手部門：
     • MAE 和 RMSE 分別為 0.26 百萬美元 和 0.54 百萬美元，相對於均值 7.82 百萬美元，誤差比例非常小。
   • 打者部門：
     • MAE 和 RMSE 分別為 0.35 百萬美元 和 0.42 百萬美元，相對於均值 9.17 百萬美元，誤差比例也很低。
3. R² 的解釋：
   • Kernel Regression 的 R² 接近 1，表明變數能幾乎完全解釋薪資的變化。

建議：

• 使用 Kernel Regression 作為主要模型進行薪資分析。
• 若需要模型簡單性和可解釋性，可以選擇 Random Forest。