Makine öğrenmesi ile basketbolda pozisyona dayalı kümeleme

Modern basketbolda, geleneksel beş pozisyonlu sınıflandırma sistemi oyun yapısının temelini oluştursa da zamanla gelişen pozisyon içi oyuncu çeşitliliğini ve farklı oyun tarzlarını kapsamlı bir şekilde karakterize etmekte yetersiz kalabilmektedir. Bu tez çalışması; oyun kurucu (PG), şutör gard (SG), kısa forvet (SF), uzun forvet (PF) ve pivot (C) geleneksel pozisyonlarını dikkate alarak oyuncuları gelişmiş istatistiksel ölçütler ve beşli kadro verileriyle analiz eden bir pozisyona dayalı kümeleme yöntemi önermektedir. NBA analiz literatüründe yeterince incelenmemiş bir yöntem olan İkiye Ayıran K-ortalamalar algoritması kullanılarak, 2007-2024 yılları arasındaki 15 sezonluk veriler doğrultusunda, her pozisyon için normalleştirilmiş gelişmiş istatistiklerle oyuncu kümeleri oluşturulmuştur. Küme sayılarının belirlenmesinde 28 farklı küme geçerlilik indeksi birlikte değerlendirilerek en uygun küme sayıları belirlenmiştir. Çalışma, sadece oyuncuların kümelenmesini değil, aynı zamanda bu kümelerin beşli kadro metrikleri üzerindeki etkilerini de analiz ederek farklı oyuncu tiplerinin takım stratejisine nasıl katkı sağladığını ortaya koymaktadır. Ayrıca İkiye Ayıran K-ortalamalar algoritmasının efektifliği, literatürde daha yaygın olarak kullanılan Hiyerarşik Kümeleme algoritması ile kıyaslanmıştır. Bu tez, yorumlanabilir ve uygulanabilir bir pozisyona dayalı kümeleme yaklaşımı sunarak farklı oyuncu profillerini belirlemek ve bu oyuncu profillerinin takım yapısına etkisini daha iyi anlamak adına spor analitiği alanına katkı sağlamaktadır.