以 Exercise 5.3「Moneyball」將 Clustering 應用於 Basketball Player Segmentation。
選擇適當 Player Measures、比較不同 Cluster／Bin 設定，並建立可解釋的 Player Profiles。
原書指出 Moneyball 在 Baseball 的成功帶動 2000 年代後期 Basketball Analytics 成長；Clustering 可支援 Team Composition、Contract Offers 與 Salary Negotiations。
| Exercise 項目 | 原書要求 |
|---|---|
| Dataset | NBA2018：259 players、20 major per-game statistical categories |
| Task 1 | 選擇 Measures 並探索 potential clusters |
| Task 2 | 比較 5、7、9 Clusters；bins 比較 16、10、4 |
| Task 3 | 用兩種 SAS VA cluster visualizations 建立 3 個 group profiles |
選擇如 Points、Rebounds、Assists、Steals、Blocks、Turnovers 等 Measures → 分別跑 5／7／9 群 → 比較 16／10／4 bins → 選擇具 Insight 的設定 → 建立三個 Profiles。
原書 Exercise 沒有提供固定 Cluster Membership 或最佳 k 答案；結果取決於學生選擇的 Measures 與實際分析輸出。
Player Clusters 可協助理解球隊缺少的 Player Types、供給與可能組合，並支援 Contracts／Salary Decisions，但不能在沒有分析結果時預設最佳球員類型。
「以下是 NBA2018 的實際 Cluster Matrix 與 Parallel Coordinate Plot。請建立三個 Player Profiles，並清楚區分圖中觀察與管理推論。」
題目： 為何 Exercise 要比較 5、7、9 群而不是直接指定最佳 k？
參考解答： 原書要求透過不同設定探索後再判斷哪些 Clusters 能產生適當 Insights，表示群數需要分析判斷。