感謝大大有趣的文～
剛看了下UCLA論文後有幾個機器學習的問題想問，因文長用回文形式，若不適合本版我再刪
文
1. 關於features數目，原論文似乎自己挑18個數據，把一些數據如總籃板數、失誤（他們?
得失誤比較無法顯示好壞表現）等拿掉
而原po似乎是遠多於18再用2次降維方式後再K-Mean
不過論文看起來他們只是拿降維後的做2D visual而已 （下圖）
https://i.imgur.com/XbFWIRD.jpg
拿去K-Mean的是沒降維的，畢竟只有18維。這邊或許可以自己挑出類似features，才不會太
雜亂數據影響。
以下是他們選的
https://i.imgur.com/pYlMp8f.jpg
2. 論文最後是有說到其實「每個群是類似的」
如下圖, 每個群跟隊伍排名的線性關係p-value都很大（p-value 越大信心程度很小）
https://i.imgur.com/nx3TZqw.jpg
“This suggests that there is no relationship between how good a team is and mem
bership in a particular cluster. “
就是幾乎沒關係的意思
文中提到重點是「離每個分群質心的距離」才能顯現好壞球員，例如在x群中的離x群的中心
越遠，則球員越猛
https://i.imgur.com/FZ7CUxK.jpg
可看到p-value才0.02左右（0.98的信心）
簡言之，如果直接拿每個群當成一二三隊似乎不適合，可能用與跟質心的距離排出各個球員
才比較好。
而原PO現在分群中的第一隊，可能有些人是比較靠近質心，有些人則是遠離質心，比較好的
式可以多列出他們與質心的距離，越大則是越厲害
不過上述都是建立在你是follow這論文的作法，如果你有修改的話可能就不是我上述所說的
一樣了。
話說我也可能有錯，只是小弟的一些看法，歡迎指正。
發此文的用意只在推崇科學與運動的結合，很感動台籃版越來越活絡，也感謝原PO的effort