本研究利用資料採礦技術，希望找出美國籃球聯盟比賽勝負的關鍵因素，並且建構出預測比賽勝負的模型。本研究使用1997-1998賽季至2011-2012賽季各球隊每場比賽數據共34918筆資料當做建構模型的資料，並以2012-2013賽季共2460筆資料做為驗證資料(調整及優化模型)，最後以2013-2014賽季共2460筆資料進行預測的測試資料。
研究過程中的重要發現在於賽場上不穩定的因素確實會影響預測的效果，這個不穩定的因素就是比賽場上的逆轉勝，由於一場球賽的勝負很有可能在最後的關鍵時刻逆轉，這樣的資料會影響到模型的預測能力，因此本研究將兩隊得分差3分以內的場次(在本研究中將兩隊得分差3分以內的比賽定義為發生逆轉勝的比賽)資料刪除，經過比較也顯示有刪除兩隊得分差3分以內資料的模型比全部資料建構的模型好。
在研究中以分類與迴歸樹演算法找出影響比賽勝負之重要攻防變數，接著以這些重要攻防變數建立決策樹模型、邏輯斯迴歸模型及類神經網路模型並做三種資料採礦方法之模型預測力比較，在大量資料下得到了比賽勝負的關鍵因素為投籃命中率(FG)、三分球命中率(3FG)、罰球出手數(FTA)、失誤(TOV)、防守籃板(DREB)、抄截(STL)及是否在主場出賽(HOME/AWAY)，資料採礦方法的比較上，類神經網路模型與邏輯斯迴歸模型預測效果表現都比決策樹模型好，類神經網路模型與邏輯斯迴歸模型預測效果則差不多。

The model is constructed based on data set from 1997-1998 to 2011-2012 seasons (34918 data), which consist of game data for each team. Furthermore, the data set from 2012-2013 season (2460 data) are used to obtain an adjusted model. Based on the established model, data from 2013-2014 seasons are used to verify if the model can predict results adequately. Since the data for reversal win can affect the predictive ability of the model, the model is also constructed with the deletion of the data when the score differences between two teams are less than or equal to three points. Classification and Regression Tree Algorithms is used to identify important key factors that may affect game outcome. The results show that the factors are field goal (FG), tree-point field goal (3FG), free throws (FT), turnovers (TOV), defensive rebound (DREB), steals (ST), and home advantage (HOME/AWAY). Based on the selected key factors, three approaches, namely, tree decision model, neural network model and logistic regression model, are used to predict game outcome. The comparison among three approaches concludes that neural network model and logistic regression model could predict better than decision tree model. The performance of neural network model is close to that of logistic regression model.

第一章 緒論 1
1.1 研究背景與動機 1
1.2 研究目的 2
1.3 論文架構 3
第二章 文獻探討 4
2.1 資料採礦相關文獻 4
2.2 球賽關鍵攻防變數相關文獻 5
2.3 NBA勝負預測相關文獻 5
2.4 主場優勢相關文獻 6
第三章 研究方法 8
3.1 資料來源 8
3.2 攻防數據名詞解釋 8
3.3 資料採礦方法 10
3.3.1 決策樹模型 10
3.3.2 邏輯斯迴歸模型 12
3.3.3 類神經網路模型 13
3.4資料採礦架構 17
第四章 研究結果 21
4.1 NBA比賽數據之資料探勘 21
4.1.1 摘要統計 21
4.1.2 相關性分析 22
4.1.2 線性趨勢分析 27
4.2 決策樹模型 29
4.3 邏輯斯迴歸模型 32
4.4 類神經網路模型 34
4.5 模型評估 36
第五章 討論 37
第六章 結論 40
參考文獻 42
附錄一 44
附錄二 46

1. 江支璋(2012)。美國職籃NBA球隊主場優勢之分析。明新學報，卷(38)1，55-65。
2. 宋威潁、雷文谷與張涵筑(2007)。職業運動主場優勢之研究-以美國國家籃球聯盟(NBA)為例。運動事業管理學術研討會論文集，6，73-85。
3. 李繼宇與周嫦娥(2007)。運動產業發展條例研究計畫書。財團法人台灣經濟研究院研究計畫書。
4. 林妍伶(2007)。美英兩國之運動產業概況。台灣經濟研究院產經資料庫。
5. 潘一航(1997)。籃球比賽攻防技術之分析研究。大專體育學術專刊，32，103-108。
6. 張斐章與張麗秋(2005)。類神經網路。臺灣東華書局股份有限公司。
7. 曾淑峰、林志弘與翁玉麟 ( 2012 )。資料採礦應用-以SAS Enterprise Miner為工具。梅霖文化事業有限公司。
8. 魏永村、陳昭彥與曾銀助(2003)。九十一年全國男子社會甲組籃球聯賽攻防技術分析之研究。民國九二年度體育學術研討會專刊，253-260.
9. MBAlib百科。NBA商業模式(2006)。 http://wiki.mbalib.com/zh-tw/NBA商業模式。
10. 美國籃球聯盟(NBA)官方網站(2014)。http://www.nba.com。
11. Agresti, A. (2002).Categorical Data Analysis (Second Edition). Wiley.
12. Hand, D.J., Blunt, G., Kelly, M.G., & Adams, N.M. (2000).Data Mining for Fun and Profit. Statistical Science, Vol. 15, No. 2, pp. 111-126
13. Kutner, M., Nachtsheim, C., & Neter, J. (2004).Applied Linear Regression Models. McGraw-Hill/Irwin.
14. Loeffelholz, B., Bednar, E., & Bauer, K.W. (2009).Predicting NBA Games Using Neural Networks, Journal of Quantitative Analysis in
Sports, Volume 5, Issue 1, Article 7.
15. Rokach, L. and Maimon, O. (2008). Mining Data with Decision Tress Theory and Applications. World Scientific Publishing Co. Pte. Ltd.
16. Yoh-Han Pao (1989).Adaptive Pattern Recognition and Neural Networks. Addison Wesley.
17. Zdravevski, E. & Kulakov, A. (2009).System for Prediction of the Winner in a Sports Game. ICT Innovations, 55-63.