プロ野球が開幕し, メジャーリーグの開幕もほぼ決まり野球好きの私達に日常が徐々に戻ってきて喜びを感じている今日このごろ.

私と言えばプロ野球をガッツリ楽しみながら野球データサイエンスに勤しんでいますがこんな感じで新作ができたのでちょこっとお披露目したいと思います.

f:id:shinyorke:20200628145203p:plain — 今回のテーマです（詳細は本文参照）

要約すると,

データサイエンスと機械学習で~~量産型~~未来のダルビッシュ有さんを探してみよう！*1

という話で, お遊び程度にやったらいい感じになったので紹介したいと思います.

なお, このタスク・分析はSean Lahman DATABASEおよびretrosheetというメジャーリーグの公開されている,誰でも使えるオープンな成績・統計データを用いています（トラッキングデータ等は一切使っていません）.

TL;DR（要約）

「未来のダルビッシュ有っぽい投手を探す」というタスクは, 近似最近傍探索（ANN）でいい感じに解決できる.
Spotifyご謹製のAnnoyを使って爆速開発・検証できた, 決まり手は特徴量の選び方.
奪三振マシーンかつ, ちょっと本塁打打たれるぐらいの先発投手が未来のダルビッシュ有になる率が高い（こなみ）

スタメン

TL;DR（要約）
スタメン
数字で知るダルビッシュ有さん
未来のダルビッシュ有を探す
- 解き方
  - その1: 類似性スコアを用いる
  - その2: 機械学習（今回採用した方法）
- 近似最近傍探索をPythonで解いてみる
結果と考察
まとめ&真にやりたいこと
参考文献・資料

数字で知るダルビッシュ有さん

データサイエンスの基本は「対象となるテーマについてのドメイン知識を得た」上でタスクを決めてやりきることです.

私はメジャーリーグ大好きマン（かつダルビッシュ有さんがかつて在籍していた北海道日本ハムファイターズの大ファン）でダルビッシュ有の成績はちょっと見たら色々語れるくらいには野球好きですが, 冷静になるためにちゃんと数字をふりかえってみます.*2

という訳で, 以前やった「投手の特徴をセイバーメトリクスで知る」アプローチでちょっと見てみました.

shinyorke.hatenablog.com

対象としたデータは,

メジャーリーグ移籍以降の成績. ちなみに29歳（2015年）はトミージョン手術で全休のため対象外.*3
成績全体のクオリティを把握するために防御率・WHIP・FIPの推移
奪三振・与四球・被本塁打の傾向を知るため, SO/9, BB/9, HR/9の推移

を見てみました.*4

f:id:shinyorke:20200628151846p:plain — 防御率・WHIP・FIP推移

防御率がだいたいFIPと一致する裏表がない投手だなと改めてわかります.

一昨年の不調を乗り越えての昨年の成績は素敵すぎます.

f:id:shinyorke:20200628152231p:plain — SO/9, BB/9, HR/9推移

まず思うのが奪三振マシーンだなっていうこと. これは野球ファンにとって改めて言うまでもないと思います. すごいの一言.

そして三振を結構奪ってる割には四球率（BB/9）が安定している（不調だった32歳, 2018年を除き綺麗に下がってる）のもほほーってなります.

一方, 若干本塁打を打たれやすい投手だというのがHR/9で理解できます.

未来のダルビッシュ有を探す

（投手としての）ダルビッシュ有さんを構成するのは,

三振がたくさん奪える
四球を連発しない, むしろ四球率が落ち着いている
若干本塁打を打たれる

が数字で理解できます.

また, 大事なコンテキストとして,

先発投手である（ダルさんは中継ぎ・抑えではない）
右投げである（ダルさんは右投げである*5）

も忘れちゃいけません. どれだけで奪三振マシーンで四球がそこそこで本塁打をすこし打たれるPでも左投げだったり先発じゃなかったりしたらそれはダルさんではありません.

解き方

「ダルビッシュ有さんっぽい投手を見つける」タスクは色々な方法で解けそうな気がしますが, 基本的には,

野球の一般的な成績情報（勝利, 敗北, 奪三振etc...）を特徴量として, 各投手との「距離」を測る
何かしらの方法でクラスタリングを行い, 「ダルビッシュ有さんと他の投手」の距離を求める
距離が近い順に並べてかつ, 若い投手を上から順に取る

という方法で行けます.

ここで二通りのやり方を考えました.

セイバーメトリクスの古典的な手法「類似性スコア」を用いて距離を求める
「教師あり学習」なアプローチの機械学習で距離を出す

結論から言うと今回は後者を採用しました.

その1: 類似性スコアを用いる

セイバーメトリクス大好きマンの私が真っ先に思いついたのがこの方法でした.

大雑把に言うと,

類似性を見たい選手を1000点とした場合, 比較対象の選手は何点になるか？

本人を1,000点とした場合他の選手は何点になるか?と愚直に求める方法です.

過去に試したことがありこちらのエントリーに色々書いてます（これは打者版ですが）.

shinyorke.hatenablog.com

しかしこの方法は,

成績の差分で評価するため, 通算成績が似ている順に並ぶ傾向にある.

という欠点があり,今回のように「ダルビッシュ有という大物に近い若手有望株を探す」というタスクには全く向きません（成績の差分が大きすぎるため）.

ある程度実績を積んだ選手が過去の誰に似ているか？といったタスクには向いていますが今回はそうじゃないので泣く泣くこの方法は捨てました.

その2: 機械学習（今回採用した方法）

今回採用した方法です.

やりたいタスクを改めて書く（大切なので二度言う）と,

野球の一般的な成績情報（勝利, 敗北, 奪三振etc...）を特徴量として, 各投手との「距離」を測る
何かしらの方法でクラスタリングを行い, 「ダルビッシュ有さんと他の投手」の距離を求める
距離が近い順に並べてかつ, 若い投手を上から順に取る

という内容で, これは思いっきり機械学習の「教師あり学習」で解けるタスクだと気が付きました.

ここで色々とググったり本を読んだり先行事例を見てみたりしてみた結果,

kNNなど, 近傍探索とかそういう方法が今回最も適していそう
これらのやり方を取るのに必要な次元も揃いそう

と色々と気が付き, その中でも近似最近傍探索で程よい精度・いい感じのやり方でできそう！と気が付き試すことにしました.

TL;DRに記載した通り, 結果的にこれでやったモデルがいい感じになりました.

近似最近傍探索をPythonで解いてみる

という訳で, 近似最近傍探索をPythonでザクッとやる方法を調べたところ,

blog.amedama.jp

まさに求めていたライブラリ・手法に出会いました（詳しくは上記もみじあめさんのブログをご覧ください）.

github.com

pip installしただけで気楽にやれる, GPUもいらない*6, indexでもベクトルでも結果を引けるという便利さ最高じゃないか！

ってなりました.

今回学習と検証に使ったコード（要約）ですが,

import pandas as pd
from annoy import AnnoyIndex

df = pd.read_csv('pitcher_stats.csv')

t = AnnoyIndex(15, 'angular')   # 数字(15)は次元数. ちなみに15は適当です.
for r in df.iterrows():
    item = [
        r[1].win,
        r[1].lose,
        # 今回使った特徴量は秘密です :bow:
        r[1].so,
        r[1].bb,
        r[1].hr
　　　
    ]
    t.add_item(r[0], item)

t.build(10) # 10 trees
t.save('test_pitcher.ann')

学習とモデル作成はたったこれだけで, 使うときも,

# モデルの読み込み
u = AnnoyIndex(15, 'angular')
u.load('test_pitcher.ann')

# ダルに近い投手(519はファイル内のindex番号)
for id in u.get_nns_by_item(519, 11):
    # 近い順にindex出てきますよ, 他にもベクトルとかから探せる&距離も出ます.

これで行けます.

簡単すぎて鼻血出そうです.*7