Data Mining for the Masses

Chapter 11: Neural Networks 
175 
 
 
CHAPTER ELEVEN: 
NEURAL NETWORKS
 
 
 
CONTEXT AND PERSPECTIVE 
 
Juan is a statistical performance analyst for a major professional athletic team.  His team has been 
steadily improving over recent seasons, and heading into the coming season management believes 
that by adding between two and four excellent players, the team will have an outstanding shot at 
achieving  the  league  championship.    They  have  tasked  Juan  with  identifying  their  best  options 
from among a list of 59  experienced players that will  be available to them.  All of these players 
have experience, some have played professionally before and some have many years of experience 
as amateurs.  None are to be ruled out without being assessed for their potential ability to add star 
power  and  productivity  to  the  existing  team.    The  executives  Juan  works  for  are  anxious  to  get 
going on contacting the most promising prospects, so Juan needs to quickly evaluate these athletes’ 
past performance and make recommendations based on his analysis. 
 
LEARNING OBJECTIVES 
 
After completing the reading and exercises in this chapter, you should be able to: 

 
Explain what a neural network is, how it is used and the benefits of using it. 

 
Recognize the necessary format for data in order to perform neural network data mining. 

 
Develop a neural network data mining model in RapidMiner using a training data set. 

 
Interpret the model’s outputs and apply them to a scoring data set in order to deploy the 
model. 
 
ORGANIZATIONAL UNDERSTANDING 
 
Juan faces high expectations and has a delivery deadline to meet.  He is a professional, he knows 
his  business  and  knows  how  important  the  intangibles  are  in  assessing  athletic  talent.    He  also 

---

 
Data Mining for the Masses 
176 
knows that those intangibles are often manifest by athletes’ past performance.  He wants to mine a 
data set of all current players in the league in order to help find those prospects that can bring the 
most  excitement,  scoring  and  defense  to  the  team  in  order  to  reach  the  league  championship.  
While  salary  considerations  are  always  a  concern,  management  has  indicated  to  Juan  that  their 
desire is to push for the championship in the upcoming season, and they are willing to do all they 
can  financially  to  bring  in  the  best  two  to  four  athletes  Juan  can  identify.    With  his  employers’ 
objectives made clear to him, Juan is prepared to evaluate each of the 59 prospects’ past statistical 
performance in order to help him formulate what his recommendations will be. 
 
DATA UNDERSTANDING 
 
Juan knows the business of athletic statistical analysis.  He has seen how performance in one area, 
such  as  scoring,  is  often  interconnected  with  other  areas  such  as  defense  or  fouls.    The  best 
athletes generally have strong connections between two or more performance areas, while more 
typical athletes may have a strength in one area but weaknesses in others.  For example, good role 
players are often good defenders, but can’t contribute much scoring to the team.  Using league data 
and his knowledge of and experience with the players in the league, Juan prepares a training data 
set  comprised  of  263  observations  and  19  attributes.    The  59  prospective  athletes  Juan’s  team 
could acquire form the scoring data set, and he has the same attributes for each of these people.  
We will help Juan build a neural network, which is a data mining methodology that can predict 
categories or classifications in much the same way that decision trees do, but neural networks are 
better at finding the strength of connections between attributes, and it is those very connections 
that Juan is interested in.  The attributes our neural network will evaluate are: 

 
Player_Name:  This is the player’s name.  In our data preparation phase, we will set its 
role to ‘id’, since it is not predictive in any way, but is important to keep in our data set 
so that Juan can quickly make his recommendations without having to match the data 
back to the players’ names later.  (Note that the names in this chapter’s data sets were 
created using a random name generator.  They are fictitious and any similarity to real 
persons is unintended and purely conincidental.) 

 
Position_ID:  For the sport Juan’s team plays, there are 12 possible positions.  Each one 
is represented as an integer from 0 to 11 in the data sets. 

 
Shots:  This the total number of shots, or scoring opportunities each player took in their 
most recent season. 

---

Chapter 11: Neural Networks 
177 

 
Makes:    This  is  the  number  times  the  athlete  scored  when  shooting  during  the  most 
recent season. 

 
Personal_Points:  This is the number of points the athlete personally scored during the 
most recent season. 

 
Total_Points:  This is the total number of points the athlete contributed to scoring in 
the most recent season.  In the sport Juan’s team plays, this statistic is recorded for each 
point an athlete contributes to scoring.  In other words, each time an athlete scores a 
personal point, their total points increase by one, and every time an athlete contributes 
to a teammate scoring, their total points increase by one as well. 

 
Assists:  This is a defensive statistic indicating the number of times the athlete helped his 
team get the ball away from the opposing team during the most recent season. 

 
Concessions:  This is the number of times the athlete’s play directly caused the opposing 
team to concede an offensive advantage during the most recent season. 

 
Blocks:  This is the number of times the athlete directly and independently blocked the 
opposing team’s shot during the most recent season. 

 
Block_Assists:  This is the number of times an athlete collaborated with a teammate to 
block the opposing team’s shot during the most recent season.  If recorded as a block 
assist,  two or more players must have been involved.  If only one player blocked the 
shot,  it  is  recorded  as  a  block.    Since  the  playing  surface  is  large  and  the  players  are 
spread out, it is much more likely for an athlete to record a block than for two or more 
to record block assists. 

 
Fouls:    This  is  the  number  of  times,  in  the  most  recent  season,  that  the  athlete 
committed a foul.  Since fouling the other team gives them an advantage, the lower this 
number, the better the athlete’s performance for his own team. 

 
Years_Pro:  In the training data set, this is the number of years the athlete has played at 
the professional level.  In the scoring data set, this is the number of year experience the 
athlete has, including years as a professional if any, and years in organized, competitive 
amateur leagues. 

 
Career_Shots:    This  is  the  same  as  the  Shots  attribute,  except  it  is  cumulative  for  the 
athlete’s entire career.  All career attributes are an attempt to assess the person’s ability 
to perform consistently over time. 

 
Career_Makes:  This is the same as the Makes attribute, except it is cumulative for the 
athlete’s entire career. 

---