福岡ソフトバンクホークスの打者を機械学習で分析
福岡ソフトバンクホークスには、長打力のある打者や高いミート力を持つ打者など、さまざまな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、長打力や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、ソフトバンク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
今回の分析では、福岡ソフトバンクホークスの打者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、次のような特徴が見られました。
- Cluster 0(10名):BABIPが比較的高く、打率もCluster 1と大きな差は見られないグループ
- Cluster 1(4名):長打力や出塁能力、四球と三振の比率に特徴が見られるグループ
Cluster 1には、栗原陵矢、近藤健介、正木智也、山川穂高の4名が分類されました。
特に、IsoPやIsoD、BB/Kといった指標に違いが見られ、複数の打撃指標を組み合わせることで、選手ごとの特徴を捉えられる可能性が示されました。
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。
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法によって選手を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。

<図1 福岡ソフトバンクホークスの打者のクラスタリング結果>
今回の分析では、14名の打者が2つのグループに分類されました。
- Cluster 0:10名
- Cluster 1:4名
横軸のPC1は45.3%、縦軸のPC2は25.5%の情報を表しています。2つを合わせると約70.8%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、興味深い違いが見られました。
Cluster 1は、IsoPが0.247、IsoDが0.1085、BB/Kが0.7048となりました。
一方、Cluster 0はIsoPが0.1085、IsoDが0.0594、BB/Kが0.3359でした。
このことから、Cluster 1はCluster 0と比較して、長打力や出塁能力、四球と三振の比率に特徴があるグループと考えられます。
また、O-Swing%はCluster 1が21.1%、Cluster 0が27.3%となっており、Cluster 1の方がボールゾーンの球をスイングする割合が低い傾向にありました。
一方で、打率はCluster 0が.2547、Cluster 1が.2580と、両グループで大きな差はありませんでした。また、BABIPはCluster 0の方が高い結果となっています。
4. 考察
今回の分析で興味深いのは、打率だけでは見えにくい打撃特性の違いが表れたことです。
Cluster 1には、栗原陵矢、近藤健介、正木智也、山川穂高の4名が分類されました。
このグループは、打率そのものが大きく高いわけではありません。しかし、IsoPやIsoD、BB/KがCluster 0より高く、O-Swing%が低いという特徴が見られました。
つまり、今回の分析では、単純な安打の多さだけではなく、長打力や出塁に関する指標、ボール球への対応などがグループの違いに表れていたと考えられます。
一方、Cluster 0はBABIPが高く、打率もCluster 1と大きな差はありませんでした。
このように、同じような打率であっても、長打力や選球眼などの要素を組み合わせることで、異なる打撃特性が見えてきます。
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。結果は、複数の打撃指標から見た選手の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、福岡ソフトバンクホークスの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、Cluster 1では長打力や出塁能力、四球と三振の比率に特徴が見られました。一方、打率は両グループで大きな差がなく、BABIPには異なる傾向が見られました。
打率や本塁打数といった単一の数字だけでは分からない選手の特徴も、複数の指標を組み合わせることで見えてくることがあります。
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。