The National Basketball Association (NBA) is the world’s biggest basketball league, with 30 teams across the United States and Canada, which generates billions in annual revenue. An NBA players impact is usually determined based on performance on the court. However, off-court factors influence aspects of the NBA, such as player contracts. This study investigates how non-basketball features, such as off-court factors like Instagram followers and player loyalty, affect player contracts. By using various Machine Learning models, this study analyzed the model’s predictive results trained on a dataset containing only basketball features and compared the results on a dataset containing both basketball and non-basketball features. Furthermore, this study was assisted by the Explainable AI model SHAP to examine how the most valuable teams versus the least valuable teams in the NBA prioritized these non-basketball features. SHAP’s reliability was also assessed for this specific problem. The results showed that incorporating non-basketball features significantly improves the predictive performance of many Machine Learning models, but not Deep Learning models performance in this study. The SHAP analysis revealed that there are differences between highly valuable teams and low-value teams. Highly valuable teams pay for every feature on average more than low-value teams, and if a player were an All Star, it is more likely that this player will be paid more on a highly valuable team. The SHAP assessment test demonstrated its functionality in this case. However, in a general context, SHAP reliability cannot be proved in this study. These results highlight the role of non- basketball features in NBA salaries and offer insights into the application of explainable AI in salary prediction.

National Basketball Association (NBA) är världens största basketliga, med 30 lagi USA och Kanada, vilket genererar miljarder i årliga intäkter. En NBA-spelaresinverkan bestäms vanligtvis baserat på prestationer på planen. Faktorer utan-för planen påverkar dock aspekter av NBA, såsom spelarkontrakt. Denna studieundersöker hur icke-basketrelaterade funktioner, vilket innebär faktorer utanförplanen som Instagramföljare och spelarlojalitet, påverkar spelarkontrakt i NBA.Genom att använda olika maskininlärningsmodeller analyserade denna studiemodellernas prediktiva resultat tränade på en datauppsättning som endast in-nehöll basketrelaterade funktioner och jämförde resultaten på en datauppsättningsom innehöll både basketrelaterade och icke-basketrelaterade funktioner. Dessu-tom använde sig denna studie av Explainable AI-modellen SHAP för att under-söka hur de mest värdefulla lagen kontra de minst värdefulla lagen i NBA pri-oriterade dessa icke-basketrelaterade funktioner. SHAP:s tillförlitlighet utvärder-ades också för detta specifika problem. Resultaten visade att inkluderingen avicke-basketrelaterade funktioner avsevärt förbättrar den prediktiva prestandan förmånga maskininlärningsmodeller, men inte Deep Learning-modellers prestanda idenna studie. SHAP-analysen visade att det finns skillnader mellan mycket värde-fulla lag och lag med lågt värde. Högvärdiga lag betalar i genomsnitt mer förvarje funktion än lågvärdiga lag, och om en spelare vore en All Star är det mertroligt att den spelaren kommer att få mer betalt i ett högvärdigt lag. SHAP-bedömningstestet visade dess funktionalitet i detta fall. Men i ett generellt sam-manhang kan dock inte SHAP-tillförlitlighet bevisas i denna studie. Dessa resultatbelyser rollen av icke-basketrelaterade funktioner i NBA-löner och ger insikter itillämpningen av förklarbar AI i löneprognoser.