横浜DeNAベイスターズの打者を機械学習で分析

横浜DeNAベイスターズには、長打力のある打者や高い打率を残す打者、選球眼に優れた打者など、さまざまな特徴を持つ選手がいます。

今回は、2026年シーズンの打撃データを機械学習で分析し、選手ごとの打撃特性を調べてみました。

分析の結果、対象とした16名の打者は、大きく2つのグループに分類されました。グループごとに比較すると、打率や長打力、選球眼などに異なる傾向が見られました。

普段の成績表とは少し違った視点から、DeNAの打者の特徴を見ていきましょう。

目次

  1. 今回の分析で分かったこと
  2. 分析について
  3. 分析結果
  4. 考察
  5. まとめ

1. 今回の分析で分かったこと

今回の分析では、横浜DeNAベイスターズの打者16名が、機械学習によって2つのグループに分類されました。

それぞれのグループには、次のような特徴が見られました。

  • Cluster 0(5名):打率や長打力、出塁能力が比較的高く、ボール球へのスイングが少ないグループ
  • Cluster 1(11名):Cluster 0と比較して、ボールゾーン・ストライクゾーンともにスイング率が高いグループ

Cluster 0には、佐野恵太、牧秀悟、筒香嘉智、宮﨑敏郎、山本祐大の5名が分類されました。

複数の打撃指標を組み合わせることで、選手ごとの特徴やグループ間の違いが見えてきました。

2. 分析について

今回の分析では、2026年シーズンの打撃データを使用し、100打席以上の打者16名を対象としました。

打率や長打力、選球眼など、以下の7つの指標を使用しています。

  • 打率
  • IsoP(純粋な長打力を表す指標)
  • IsoD(四球などによる出塁能力を表す指標)
  • BB/K(四球と三振の比率)
  • O-Swing%(ボールゾーンの球をスイングした割合)
  • Z-Swing%(ストライクゾーンの球をスイングした割合)
  • BABIP(インプレー打球が安打になった割合)

分析には、以下の手法を使用しました。

  • 標準化:異なる尺度のデータを比較しやすくする処理
  • K-means法:特徴が似ているデータをグループに分類する手法
  • 主成分分析(PCA):複数の指標を少数の軸にまとめ、データの特徴を可視化する手法

K-means法ではクラスタ数を変えながら評価を行い、今回は2つのグループに分類しました。

3. 分析結果

3.1 打者のクラスタリング結果

以下は、主成分分析によって各選手の特徴を2次元に可視化したものです。

横浜DeNAベイスターズの打者クラスタリング分析

<図1 横浜DeNAベイスターズの打者のクラスタリング結果>

今回の分析では、16名の打者が2つのグループに分類されました。

  • Cluster 0:5名
  • Cluster 1:11名

横軸のPC1は49.4%、縦軸のPC2は27.5%の情報を表しています。2つを合わせると約76.9%となり、今回使用した7つの指標の特徴をある程度捉えています。

散布図では、主に横方向のPC1に沿って2つのグループが分かれている様子が確認できます。

3.2 グループごとの打撃特性

各グループの打撃指標の平均値を比較すると、明確な違いが見られました。

Cluster 0:打率・長打力・選球眼に特徴のあるグループ

佐野恵太、牧秀悟、筒香嘉智、宮﨑敏郎、山本祐大の5名が分類されました。

このグループの打率は.257、IsoPは.170、IsoDは.092でした。また、BB/Kは.670となっています。

いずれもCluster 1より高い値であり、打率や長打力、出塁能力に特徴が見られました。

さらに、O-Swing%は24.2%と低く、ボールゾーンの球をスイングする割合が比較的低い傾向にありました。

Cluster 1:スイング傾向に特徴のあるグループ

度会隆輝、蝦名達夫、勝又温史、松尾汐恩、エンカーナシオン、宮下朝陽、林琢真、ヒュンメル、三森大貴、京田陽太、戸柱恭孝の11名が分類されました。

このグループの打率は.245、IsoPは.107、IsoDは.053でした。

また、O-Swing%は32.8%、Z-Swing%は67.8%となっており、Cluster 0と比較して、ボールゾーン・ストライクゾーンともにスイングする割合が高い傾向にありました。

4. 考察

今回の分析で興味深いのは、打率や長打力だけでなく、スイング傾向にもグループ間の違いが表れたことです。

Cluster 0には、佐野恵太、牧秀悟、筒香嘉智、宮﨑敏郎といった打者が分類されました。このグループは、打率や長打力、出塁能力に関する指標が高く、ボール球へのスイングが少ない傾向を示しています。

一方、Cluster 1は、ボールゾーンだけでなくストライクゾーンでもスイング率が高い傾向にありました。

このことから、今回の分析では、打撃結果だけでなく、打者がどのようにボールに対応しているかという点にも違いが表れていると考えられます。

ただし、今回の分析は16名を対象とした探索的なものであり、各グループが選手の能力や役割を直接示すものではありません。また、グループ内にも個々の選手による違いがあるため、結果は複数の打撃指標から見た特徴の一つとして捉える必要があります。

5. まとめ

今回は、横浜DeNAベイスターズの2026年シーズンの打撃データを機械学習で分析し、16名の打者を2つのグループに分類しました。

その結果、Cluster 0では打率や長打力、出塁能力が高く、ボール球へのスイングが少ない傾向が見られました。一方、Cluster 1ではボールゾーン・ストライクゾーンともにスイング率が高い傾向が見られました。

同じチームの打者であっても、打撃結果やスイング傾向にはさまざまな違いがあります。複数の指標を組み合わせることで、普段の成績表だけでは気づきにくい選手の個性を発見できる可能性があります。

これからもデータと機械学習を通じて、プロ野球の新しい楽しみ方を探っていきます。