基于数据可视化与K-means聚类分析的MLB绩效趋势及薪资战略研究

本研究通过数据可视化与K-means聚类技术，对MLB长达23年的比赛数据进行深度挖掘。研究人员系统分析了击球发射角(Launch Angle)、击球初速(Exit Velocity)、联盟打击三围(Slash Line)和三振率(Three True Outcomes)等关键指标，揭示了击球初速与长打率(SLG)的正相关性，并探讨了团队薪资与胜利贡献值(WAR)的关联机制，为球队构建与战略决策提供了数据驱动的机器学习解决方案。

　　

本研究运用数据可视化与K-means聚类算法，对美国职业棒球大联盟(MLB)23个赛季的数据进行多维度解析。通过Baseball Savant、Baseball Reference和Spotrac等权威数据源，重点追踪了击球发射角(Launch Angle)、击球初速(Exit Velocity)、联盟打击三围(Slash Line)和三振率(Three True Outcomes)等核心指标。研究筛选出OPS（上垒加长打率）排名前30的击球手，并依据发射角与三振率(Strikeout Percentage)进行特征聚类。2023赛季顶级防守球员则通过守备综合指标(Outs Above Average, OAA)完成量化评估。

数据分析证实击球初速与长打率(Slugging Percentage, SLG)存在显著正相关。团队薪资与胜利贡献值(Wins Above Replacement, WAR)的关联性研究，揭示了资本投入与竞技产出的深层联系。通过K-means聚类对球员价值进行机器学习建模，本研究为球队阵容构建、战略决策及棒球数据分析领域提供了创新性的算法支持。