阪神タイガースの打者を機械学習で分析

阪神タイガースには、長打力のある打者や巧みなバットコントロールを持つ打者など、それぞれ異なる特徴を持った選手がいます。

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14名の打者は、大きく2つのグループに分類されました。特に、打率や長打力、選球眼に関する指標に違いが見られました。

普段の成績表とは少し違った視点から、阪神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、阪神タイガースの打者14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、次のような傾向が見られました。

  • Cluster 0(9名):今回の分析で比較的低い打撃指標を示したグループ
  • Cluster 1(5名):打率や長打力、選球眼に関する指標が比較的高いグループ

Cluster 1には、森下翔太、佐藤輝明、大山悠輔、中野拓夢、近本光司の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14名を対象としました。

分析には、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)

これらの指標を組み合わせ、以下の手法で分析しました。

  • 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

今回はK-means法によって2つのグループに分類し、主成分分析を使ってその結果を散布図に表しました。

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。

阪神タイガースの打者クラスタリング分析 <図1 阪神タイガースの打者のクラスタリング結果>

散布図では、色によって2つのグループを区別しています。

  • Cluster 0:9名
  • Cluster 1:5名

横軸のPC1は48.1%、縦軸のPC2は25.9%の情報を表しています。2つを合わせると約74.0%となり、今回使用した7つの指標の特徴をある程度捉えられていることが分かります。

特に、横軸のPC1方向に沿って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

2つのグループを打撃指標の傾向から比較すると、違いが見られました。

Cluster 1に分類された5名は、Cluster 0と比較して、打率やIsoP、IsoD、BB/K、BABIPが高い傾向にありました。また、O-Swing%は低い傾向を示しました。

一方、Cluster 0の選手は、これらの指標についてCluster 1とは異なる傾向を示しています。

このことから、今回の分析では、打率や長打力、選球眼などの複数の要素が、選手を分類するうえで特徴的に表れたと考えられます。

4. 考察

今回の分析で興味深いのは、普段から打撃成績で目立つ選手が、同じグループに分類されたことです。

Cluster 1には、森下翔太、佐藤輝明、大山悠輔、中野拓夢、近本光司が含まれています。これらの選手は、打率や長打力だけでなく、四球と三振の比率やボール球への対応など、複数の指標でも共通した傾向を示していました。

一方で、Cluster 0には異なる特徴を持つ選手が分類されています。

この結果は、打率や本塁打数といった単一の成績だけでは捉えにくい、打者の特徴を複数の視点から捉えられる可能性を示しています。

ただし、今回の分析は14名を対象とした探索的なものであり、グループ分けが選手の能力や役割を直接示すものではありません。今後、対象期間や指標を変えて分析することで、さらに違った特徴が見えてくる可能性があります。

5. まとめ

今回は、阪神タイガースの2026年シーズンの打撃データを機械学習で分析し、14名の打者を2つのグループに分類しました。

その結果、打率や長打力、選球眼などの複数の指標に、グループごとの異なる傾向が見られました。

野球のデータは、打率や本塁打数などの分かりやすい数字だけではありません。複数の指標を組み合わせて分析することで、これまでとは違った選手の特徴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。