簡(jiǎn)介面向Python課程設(shè)計(jì)與機(jī)器學(xué)習(xí)實(shí)踐場(chǎng)景這份資源以美職籃NBA比賽數(shù)據(jù)為切入點(diǎn)實(shí)現(xiàn)了從爬蟲(chóng)采集、數(shù)據(jù)清洗到智能預(yù)測(cè)的比賽結(jié)果分析流程。項(xiàng)目取材真實(shí)賽季數(shù)據(jù)涵蓋球隊(duì)場(chǎng)均統(tǒng)計(jì)、對(duì)手?jǐn)?shù)據(jù)、賽程安排與歷史交鋒結(jié)果等多維信息適合高校學(xué)生用于學(xué)期答辯、大作業(yè)或課程設(shè)計(jì)展示也適合希望快速上手?jǐn)?shù)據(jù)采集與建模的初學(xué)者參考。壓縮包共有十一個(gè)文件以六個(gè)數(shù)據(jù)文件、四個(gè)腳本文件和一個(gè)說(shuō)明文檔為主整體大小約三百一十一KB。其中數(shù)據(jù)文件分別存放球隊(duì)常規(guī)賽統(tǒng)計(jì)、對(duì)手常規(guī)賽統(tǒng)計(jì)、歷史賽程與比賽結(jié)果腳本文件覆蓋爬蟲(chóng)抓取與機(jī)器學(xué)習(xí)模型訓(xùn)練及預(yù)測(cè)說(shuō)明文檔則整理了項(xiàng)目背景、設(shè)計(jì)思路、模塊劃分和運(yùn)行步驟。該方案曾獲學(xué)期優(yōu)秀項(xiàng)目評(píng)選代碼結(jié)構(gòu)清晰、數(shù)據(jù)資料齊備可直接運(yùn)行復(fù)現(xiàn)預(yù)測(cè)結(jié)果也便于后續(xù)擴(kuò)展算法或更換數(shù)據(jù)源。目前已有一千四百六十二人學(xué)習(xí)是完成課程設(shè)計(jì)或入門(mén)賽事數(shù)據(jù)分析的實(shí)用資源。1. 把NBA比賽結(jié)果預(yù)測(cè)當(dāng)課程設(shè)計(jì)為什么說(shuō)這是新手最友好的機(jī)器學(xué)習(xí)項(xiàng)目NBA比賽結(jié)果預(yù)測(cè)是Python課程設(shè)計(jì)里少有的數(shù)據(jù)、算法、業(yè)務(wù)三頭都占的實(shí)戰(zhàn)選題。它不需要深度學(xué)習(xí)傳統(tǒng)機(jī)器學(xué)習(xí)模型就能把準(zhǔn)確率做到60%以上但數(shù)據(jù)獲取、特征構(gòu)造、評(píng)估方式到處是坑足夠你學(xué)到東西。在機(jī)器學(xué)習(xí)實(shí)戰(zhàn)項(xiàng)目案例里這個(gè)題目的好處是入門(mén)順滑、天花板也夠高。很多同學(xué)做完后發(fā)現(xiàn)真正決定成績(jī)的不是模型多高級(jí)而是數(shù)據(jù)預(yù)處理和特征工程做沒(méi)做干凈。這個(gè)題目恰好能把Python爬蟲(chóng)、pandas數(shù)據(jù)處理、scikit-learn建模和可視化完整串一遍非常適合剛?cè)腴T(mén)機(jī)器學(xué)習(xí)、想補(bǔ)機(jī)器學(xué)習(xí)基礎(chǔ)、又想做真實(shí)項(xiàng)目的初學(xué)者。NBA比賽數(shù)據(jù)完全公開(kāi)免費(fèi)接口無(wú)需注冊(cè)比申請(qǐng)權(quán)限的數(shù)據(jù)集友好得多。下文方案基于nba_api加pandas加scikit-learn的經(jīng)典組合全程本地跑通不需要GPU每段代碼都附參數(shù)說(shuō)明和踩坑記錄。2. 獲取NBA比賽數(shù)據(jù)nba_api 拉取與本地落地的完整方案2.1 選型理由為什么第一選擇是 nba_api 而不是現(xiàn)成CSV先說(shuō)結(jié)論課程設(shè)計(jì)階段直接用 nba_api 這個(gè)第三方庫(kù)拉數(shù)據(jù)比去 Kaggle 下載現(xiàn)成 CSV 更值得做。原因有三個(gè)。第一現(xiàn)成 CSV 的截止日期是固定的你拿到手的可能是上個(gè)賽季的數(shù)據(jù)沒(méi)法覆蓋最新比賽。課程設(shè)計(jì)答辯時(shí)老師大概率會(huì)問(wèn)你這套流程能不能預(yù)測(cè)明天的比賽如果你用的是一份去年的靜態(tài)數(shù)據(jù)這個(gè)問(wèn)題會(huì)非常尷尬。用接口拉數(shù)據(jù)代碼一跑就是最新賽程。第二拉數(shù)據(jù)的過(guò)程本身就是評(píng)分點(diǎn)。Python課程設(shè)計(jì)的評(píng)分標(biāo)準(zhǔn)里通常有工作量這一項(xiàng)能展示一個(gè)從網(wǎng)絡(luò)獲取數(shù)據(jù)的完整環(huán)節(jié)比單純讀CSV文件的工作量要扎實(shí)得多。你可以順帶在文檔里寫(xiě)清楚請(qǐng)求流程、解析邏輯和異常處理體現(xiàn)的是從爬取到存儲(chǔ)的完整閉環(huán)。第三nba_api 封裝的是 NBA 官網(wǎng) stats.nba.com 的公開(kāi)接口免費(fèi)、無(wú)需注冊(cè)、無(wú)需API key對(duì)校園網(wǎng)絡(luò)環(huán)境也比較友好。相比去爬第三方統(tǒng)計(jì)網(wǎng)站官方接口的可靠性要高不少也不會(huì)遇到網(wǎng)站改版導(dǎo)致解析規(guī)則失效的問(wèn)題。當(dāng)然nba_api 有個(gè)前提你得先把Python環(huán)境裝好。給新手的建議是直接用 Anaconda 裝 Python 3.x然后把 conda 和 pip 的默認(rèn)源都切成國(guó)內(nèi)鏡像裝包速度會(huì)快很多。裝完在終端里跑 python --version 確認(rèn)版本再 pip install nba_api pandas scikit-learn xgboost matplotlib機(jī)器學(xué)習(xí)常用包就這么齊了。如果你用 vscode 寫(xiě)代碼記得在右下角把解釋器切成 conda 環(huán)境不然容易遇到終端里能 import、vscode 里 import 報(bào)錯(cuò)的經(jīng)典問(wèn)題。2.2 最小可用代碼拉取近五個(gè)賽季的常規(guī)賽日程與比分nba_api 的核心用法是先構(gòu)造一個(gè)端點(diǎn)對(duì)象再調(diào)它的 get_data_frames() 方法拿回 DataFrame。最常見(jiàn)的入口是 leaguegamefinder它返回每一支球隊(duì)在指定范圍內(nèi)的所有歷史比賽記錄每條記錄是一行包含球隊(duì)、對(duì)手、比分、主客場(chǎng)、賽季、比賽日期等幾十個(gè)字段。下面這段代碼拉取近五個(gè)賽季所有常規(guī)賽的比賽日程和最終比分import pandas as pd from nba_api.stats.endpoints import leaguegamefinder def fetch_games(season_start2020, season_end2024): frames [] for season in range(season_start, season_end 1): # 每個(gè)賽季單獨(dú)拉取避免單次請(qǐng)求數(shù)據(jù)量過(guò)大被接口限流 season_str f{season}-{str(season 1)[-2:]} finder leaguegamefinder.LeagueGameFinder( season_nullableseason_str, season_type_nullableRegular Season ) df finder.get_data_frames()[0] frames.append(df) print(f賽季 {season_str} 拉取完成{df.shape[0]} 行) result pd.concat(frames, ignore_indexTrue) return result games fetch_games() games.to_csv(nba_games_raw.csv, indexFalse) print(games.shape)這段代碼的邏輯很直接循環(huán)遍歷每一個(gè)賽季構(gòu)造 LeagueGameFinder 請(qǐng)求對(duì)象用 get_data_frames() 把響應(yīng)解析成 DataFrame最后合并保存為CSV。幾個(gè)參數(shù)要說(shuō)明參數(shù)取值示例含義season_nullable2020-21賽季字符串格式必須是帶橫杠的2020-21season_type_nullableRegular Season賽事類型常規(guī)賽季后賽填 Playoffsleague_id_nullable00默認(rèn)就是NBA一般不用動(dòng)timeout30單個(gè)請(qǐng)求的最大等待秒數(shù)防卡死注意一個(gè)重要細(xì)節(jié)leaguegamefinder 返回的是球隊(duì)視角的數(shù)據(jù)也就是說(shuō)一場(chǎng)比賽會(huì)出現(xiàn)兩行——主隊(duì)一行、客隊(duì)一行。字段里 matchup 列能看出是 ATL vs BOS 還是 BOS ATL 表示客場(chǎng)。做特征工程之前必須先按 GAME_ID 去重或配對(duì)這個(gè)后面特征章節(jié)會(huì)細(xì)說(shuō)。接口返回的字段里GAME_ID 是比賽唯一標(biāo)識(shí)GAME_DATE 是比賽日期字符串TEAM_ID 是球隊(duì)IDPTS 是這支球隊(duì)本場(chǎng)得分PLUS_MINUS 是凈勝分FG_PCT 是投籃命中率REB、AST、TOV 分別是籃板、助攻、失誤。一次拉五個(gè)賽季的數(shù)據(jù)量在一萬(wàn)行上下完整跑完大約一到兩分鐘速度完全可以接受。2.3 數(shù)據(jù)落地CSV 與 SQLite 怎么選數(shù)據(jù)落地方式我一般分兩種情況。如果只是課程設(shè)計(jì)數(shù)據(jù)量在幾萬(wàn)行以內(nèi)直接存CSV就夠了老師拷貝你的代碼和CSV文件就能復(fù)現(xiàn)。如果你打算長(zhǎng)期維護(hù)、每周更新數(shù)據(jù)或者想在文檔里體現(xiàn)一點(diǎn)數(shù)據(jù)庫(kù)能力用 SQLite 更合適零配置、單文件、Python 內(nèi)置 sqlite3 即可讀寫(xiě)不用額外裝 MySQL。存CSV時(shí)有一個(gè)坑nba_api 返回的某些列含有特殊字符直接用默認(rèn) to_csv 沒(méi)問(wèn)題但用 Excel 打開(kāi)中文列名可能出現(xiàn)亂碼。保存時(shí)我習(xí)慣把編碼指定為 utf-8-sig這樣 Excel 雙擊打開(kāi)也不會(huì)亂碼讀取時(shí)如果遇到解析錯(cuò)誤大概率是某行數(shù)據(jù)里有多余的逗號(hào)或引號(hào)用 on_bad_linesskip 就能兜底。如果你選 SQLite建表時(shí)不要照搬所有列挑實(shí)際會(huì)用到的字段建表就行。下面這段代碼把數(shù)據(jù)寫(xiě)入 SQLite并給 game_id 和 team_id 建了聯(lián)合唯一索引import sqlite3 conn sqlite3.connect(nba_games.db) cur conn.cursor() # 建表只保留特征工程會(huì)用到的核心字段 cur.execute( CREATE TABLE IF NOT EXISTS games ( game_id TEXT, team_id INTEGER, team_abbreviation TEXT, matchup TEXT, game_date TEXT, pts INTEGER, plus_minus INTEGER, home_away TEXT, season TEXT, PRIMARY KEY (game_id, team_id) ) ) # 寫(xiě)入前先重命名列為干凈的小寫(xiě)格式 columns [GAME_ID, TEAM_ID, TEAM_ABBREVIATION, MATCHUP, GAME_DATE, PTS, PLUS_MINUS, HOME_AWAY, SEASON] games[columns].to_sql( games, conn, if_existsreplace, indexFalse) conn.commit() conn.close() print(SQLite 寫(xiě)入完成)這里用 PRIMARY KEY (game_id, team_id) 做聯(lián)合主鍵能防止重復(fù)拉取時(shí)插入重復(fù)數(shù)據(jù)。后續(xù)做增量更新時(shí)可以先查詢當(dāng)前庫(kù)里最大的 game_date只拉那之后的比賽再把新數(shù)據(jù)以 if_existsappend 追加進(jìn)去不用每次全量重跑。to_sql 是 pandas 自帶的數(shù)據(jù)庫(kù)寫(xiě)入方法很適合新手需要注意 DataFrame 列名如果有空格或特殊符號(hào)建表時(shí)會(huì)很麻煩所以寫(xiě)入前先重命名成干凈的小寫(xiě)列名最省事。2.4 請(qǐng)求頻率與異常處理限速、超時(shí)和重試nba_api 雖然封裝得不錯(cuò)但底層還是去請(qǐng)求 stats.nba.com 的 HTTP 接口。如果把它當(dāng)成隨便調(diào)的接口連續(xù)快速請(qǐng)求幾十次就會(huì)收到 429 狀態(tài)碼也就是請(qǐng)求過(guò)于頻繁被限流。這不是封IP但會(huì)讓循環(huán)中斷。我的經(jīng)驗(yàn)是兩個(gè)約束同時(shí)加一是每次請(qǐng)求之間 sleep 至少 0.5 到 1 秒二是設(shè)置超時(shí)和重試機(jī)制遇到 429 或 5xx 錯(cuò)誤就等幾秒再重試。下面是一段加了重試邏輯的拉取函數(shù)import time import requests from nba_api.stats.endpoints import leaguegamefinder def fetch_with_retry(season_str, max_retries4): for attempt in range(max_retries): try: finder leaguegamefinder.LeagueGameFinder( season_nullableseason_str, season_type_nullableRegular Season, timeout30 ) return finder.get_data_frames()[0] except requests.exceptions.HTTPError as e: # 429是限流5xx是接口臨時(shí)出錯(cuò)都值得重試 wait 2 ** attempt 1 print(f請(qǐng)求失敗({e}){wait}秒后重試) time.sleep(wait) raise RuntimeError(f賽季 {season_str} 拉取失敗) for season in range(2020, 2025): season_str f{season}-{str(season 1)[-2:]} df fetch_with_retry(season_str) time.sleep(1.0)幾個(gè)細(xì)節(jié)說(shuō)明。timeout30 表示單個(gè)請(qǐng)求最多等30秒防止網(wǎng)絡(luò)卡死導(dǎo)致程序掛在那里。重試的等待時(shí)間用 2^n 1 這種指數(shù)退避第一次失敗等3秒第二次等5秒第三次等9秒給服務(wù)端留出恢復(fù)的時(shí)間。還有一個(gè)容易被忽略的問(wèn)題有的校園網(wǎng)出口會(huì)攔截帶特定 UAUser-Agent的請(qǐng)求。如果發(fā)現(xiàn) nba_api 一直在報(bào)連接錯(cuò)誤或 SSL 錯(cuò)誤先別急著懷疑代碼檢查一下系統(tǒng)網(wǎng)絡(luò)設(shè)置或者換個(gè)網(wǎng)絡(luò)環(huán)境再試一次。遇到存疑的報(bào)錯(cuò)把完整異常棧貼到搜索引擎里按報(bào)錯(cuò)關(guān)鍵詞搜通常比盲改代碼高效得多——這是這個(gè)項(xiàng)目里最典型的不確定是代碼問(wèn)題還是網(wǎng)絡(luò)問(wèn)題的場(chǎng)景。3. 特征工程決定準(zhǔn)確率的不是模型而是這四步數(shù)據(jù)加工3.1 先定預(yù)測(cè)目標(biāo)預(yù)測(cè)勝負(fù)還是預(yù)測(cè)分差動(dòng)手寫(xiě)模型之前第一件事是把預(yù)測(cè)目標(biāo)定死。NBA比賽結(jié)果預(yù)測(cè)一般有兩種定義方式一是二分類預(yù)測(cè)主隊(duì)贏還是客隊(duì)贏二是回歸預(yù)測(cè)分差。課程設(shè)計(jì)我建議選二分類理由很實(shí)際二分類的評(píng)估指標(biāo)準(zhǔn)確率、AUC對(duì)新手來(lái)說(shuō)好解釋答辯時(shí)一句模型對(duì)未知比賽預(yù)測(cè)準(zhǔn)確率達(dá)到62%就夠直觀回歸任務(wù)要考慮分差預(yù)測(cè)誤差解釋起來(lái)繞而且分差分布離散模型很難學(xué)出有效規(guī)律。如果你非要做回歸也可以把回歸預(yù)測(cè)的分差轉(zhuǎn)成勝負(fù)標(biāo)簽比如預(yù)測(cè)分差大于0就判主隊(duì)勝。這樣做的好處是多一個(gè)中間量壞處是誤差會(huì)疊加。建議主線做二分類把回歸當(dāng)作補(bǔ)充實(shí)驗(yàn)寫(xiě)進(jìn)文檔對(duì)比兩種建模方式的結(jié)果這反而是加分項(xiàng)。目標(biāo)變量生成時(shí)有一個(gè)新手常犯的錯(cuò)誤直接把原始數(shù)據(jù)里的 WL勝負(fù)字段當(dāng)標(biāo)簽。還記得前面說(shuō)過(guò) leaguegamefinder 返回的是球隊(duì)視角的數(shù)據(jù)嗎同一場(chǎng)比賽有兩行客隊(duì)那行的 WL 是客隊(duì)的勝負(fù)。如果不做配對(duì)直接喂給模型模型就學(xué)到看自己球隊(duì)的勝負(fù)去預(yù)測(cè)自己球隊(duì)的勝負(fù)這種作弊邏輯。正確的做法是按 GAME_ID 把一場(chǎng)比賽的兩行合并成一行主隊(duì)一列、客隊(duì)一列標(biāo)簽是主隊(duì)是否獲勝。3.2 滾動(dòng)均值特征近五場(chǎng)和近十場(chǎng)統(tǒng)計(jì)怎么算才不算錯(cuò)特征工程里最有價(jià)值的特征組是兩支球隊(duì)各自最近N場(chǎng)比賽的表現(xiàn)統(tǒng)計(jì)業(yè)界叫滾動(dòng)均值rolling average。它背后的假設(shè)很樸素一支球隊(duì)近期的進(jìn)攻效率和防守效率最能反映它下一場(chǎng)可能的發(fā)揮。計(jì)算滾動(dòng)均值最核心的一點(diǎn)只能用比賽日之前的數(shù)據(jù)絕不能用之后的數(shù)據(jù)。舉個(gè)例子預(yù)測(cè)1月15日的比賽只能用截至1月14日的比賽統(tǒng)計(jì)如果1月15日當(dāng)天或之后的比賽混進(jìn)滾動(dòng)窗口就造成數(shù)據(jù)泄漏訓(xùn)練準(zhǔn)確率虛高好幾個(gè)點(diǎn)實(shí)戰(zhàn)預(yù)測(cè)卻崩盤(pán)。實(shí)現(xiàn)時(shí)先按 TEAM_ID 和 GAME_DATE 排序再對(duì)每支球隊(duì)單獨(dú)算最近5場(chǎng)和最近10場(chǎng)的滾動(dòng)均值。下面這段代碼是完整實(shí)現(xiàn)# 先按球隊(duì)和日期排序保證滾動(dòng)窗口的順序正確 games pd.read_csv(nba_games_raw.csv) games[GAME_DATE] pd.to_datetime(games[GAME_DATE]) games games.sort_values([TEAM_ID, GAME_DATE]).reset_index(dropTrue) # 要計(jì)算滾動(dòng)均值的統(tǒng)計(jì)列 stat_cols [PTS, PLUS_MINUS, FG_PCT, REB, AST, TOV] for col in stat_cols: for window in [5, 10]: # 先按球隊(duì)分組計(jì)算滾動(dòng)均值 roll ( games.groupby(TEAM_ID)[col] .rolling(window, min_periods1) .mean() .reset_index(level0, dropTrue) ) # shift(1) 把均值整體下移一行 # 讓第k行不再包含第k場(chǎng)自己的數(shù)據(jù)這是防泄漏的關(guān)鍵 games[f{col}_roll{window}] roll.groupby(games[TEAM_ID]).shift(1) print(games[[TEAM_ID, GAME_DATE, PTS, PTS_roll5, PTS_roll10]].head(20))注意沒(méi)有 shift(1) 的滾動(dòng)均值等于把本場(chǎng)比賽的數(shù)據(jù)喂給了本場(chǎng)比賽這是整個(gè)項(xiàng)目最隱蔽的數(shù)據(jù)泄漏點(diǎn)務(wù)必檢查。這段代碼有兩個(gè)關(guān)鍵點(diǎn)。第一groupby(TEAM_ID).rolling(window).mean() 在分組內(nèi)部計(jì)算滾動(dòng)均值窗口是5場(chǎng)或10場(chǎng)互不干擾。第二shift(1) 是防止數(shù)據(jù)泄漏的心臟它把計(jì)算結(jié)果整體下移一行這樣第k行存的是第k-1場(chǎng)及之前窗口內(nèi)的均值當(dāng)前場(chǎng)比賽本身不參與自己的特征計(jì)算。為什么 min_periods1 而不是默認(rèn)的 window因?yàn)橘惣境醯那皫讏?chǎng)比賽不夠湊滿窗口。設(shè)成 window 的話賽季前4場(chǎng)的特征全是空值要么刪樣本要么手工填充設(shè)成1表示至少有一場(chǎng)比賽就開(kāi)始算均值缺點(diǎn)是賽季初期特征偏小、波動(dòng)大但至少模型有特征可用。認(rèn)真一點(diǎn)的做法是用上一賽季的均值回填賽季前幾場(chǎng)課程設(shè)計(jì)階段不必做這么細(xì)。3.3 賽程特征休息天數(shù)、背靠背和主場(chǎng)優(yōu)勢(shì)怎么編碼滾動(dòng)均值之外還有三類特征在NBA預(yù)測(cè)里被反復(fù)驗(yàn)證有效休息天數(shù)、背靠背標(biāo)記、主場(chǎng)優(yōu)勢(shì)。休息天數(shù)指距離上一場(chǎng)比賽隔了多少天。NBA常規(guī)賽幾乎每天都有比賽強(qiáng)隊(duì)一個(gè)賽季要打多次背靠背連續(xù)兩天比賽球員體能差異會(huì)直接影響比賽結(jié)果。計(jì)算方式是把同一支球隊(duì)的比賽按日期排序然后算相鄰兩場(chǎng)比賽的日期差。背靠背是個(gè)0/1標(biāo)記表示該隊(duì)這場(chǎng)比賽的前一天是否也有比賽。注意背靠背還要區(qū)分主客場(chǎng)如果是客場(chǎng)打完再趕去下一個(gè)客場(chǎng)影響更大如果是連續(xù)兩個(gè)主場(chǎng)影響相對(duì)小。課程設(shè)計(jì)階段做一版簡(jiǎn)化的0/1標(biāo)記就夠了想認(rèn)真雕琢可以拆成背靠背且客場(chǎng)和背靠背且主場(chǎng)兩個(gè)特征。主場(chǎng)優(yōu)勢(shì)是從 matchup 字段里解析出來(lái)的包含 表示客場(chǎng)否則是主場(chǎng)。這個(gè)特征在模型里通常系數(shù)顯著為正說(shuō)明主場(chǎng)優(yōu)勢(shì)對(duì)NBA比賽結(jié)果有真實(shí)影響。下面這段代碼把這三類賽程特征一次性生成# 從 matchup 解析主客場(chǎng)包含 表示客場(chǎng) games[is_home] games[MATCHUP].apply(lambda x: not in x) # 每支球隊(duì)的上一場(chǎng)比賽日期用于推算休息天數(shù)和背靠背 games games.sort_values([TEAM_ID, GAME_DATE]) games[prev_game_date] games.groupby(TEAM_ID)[GAME_DATE].shift(1) games[rest_days] (games[GAME_DATE] - games[prev_game_date]).dt.days # 背靠背距離上一場(chǎng)正好1天 games[back_to_back] (games[rest_days] 1).astype(int) # 主隊(duì)表和客隊(duì)表按 GAME_ID 合并回到比賽視角 home games[games[is_home]].copy() away games[~games[is_home]].copy() merged home.merge( away, onGAME_ID, suffixes(_home, _away) ) print(merged.shape) merged.to_csv(nba_games_features.csv, indexFalse)整體思路是把球隊(duì)視角數(shù)據(jù)拆成主隊(duì)表和客隊(duì)表再按 GAME_ID 合回比賽視角。合并之后每一行就是一場(chǎng)比賽左邊是主隊(duì)近期統(tǒng)計(jì)右邊是客隊(duì)近期統(tǒng)計(jì)中間夾著賽程特征。至此特征工程的骨架就搭完了。合并后行數(shù)會(huì)變成原來(lái)的一半因?yàn)槊繄?chǎng)比賽從兩行合為一行這是正常的。合并完記得檢查有沒(méi)有 GAME_ID 重復(fù)——如果接口在某個(gè)賽季返回了全明星賽或其他非正式比賽可能出現(xiàn)一對(duì)多的匹配需要提前按賽事類型過(guò)濾只保留常規(guī)賽記錄。3.4 時(shí)間切分為什么隨機(jī)打亂訓(xùn)練集相當(dāng)于讓模型作弊這個(gè)問(wèn)題幾乎每個(gè)做時(shí)序預(yù)測(cè)的人都會(huì)踩一次用 train_test_split 默認(rèn)隨機(jī)切分訓(xùn)練集里混著后面的比賽測(cè)試集里混著前面的比賽。對(duì)NBA這種強(qiáng)時(shí)序依賴的數(shù)據(jù)隨機(jī)切分意味著模型的訓(xùn)練數(shù)據(jù)里包含了未來(lái)特征和標(biāo)簽產(chǎn)生隱性的時(shí)間交叉準(zhǔn)確率虛高。正確的做法是按時(shí)序切分比如用2020到2023賽季的數(shù)據(jù)訓(xùn)練用2024賽季的數(shù)據(jù)測(cè)試。train_test_split 不支持直接按時(shí)間切但把 shuffleFalse 配合已排序的數(shù)據(jù)即可實(shí)現(xiàn)或者干脆手動(dòng)切片games pd.read_csv(nba_games_features.csv, parse_dates[GAME_DATE_home]) games games.sort_values(GAME_DATE_home).reset_index(dropTrue) split_date 2023-10-24 # 以2023-24賽季揭幕戰(zhàn)為界 train games[games[GAME_DATE_home] split_date] test games[games[GAME_DATE_home] split_date] print(f訓(xùn)練集 {train.shape[0]} 場(chǎng) f{train[GAME_DATE_home].min().date()} ~ {train[GAME_DATE_home].max().date()}) print(f測(cè)試集 {test.shape[0]} 場(chǎng) f{test[GAME_DATE_home].min().date()} ~ {test[GAME_DATE_home].max().date()})這么切完會(huì)發(fā)現(xiàn)測(cè)試集在時(shí)間上完全晚于訓(xùn)練集模型在測(cè)試集上的準(zhǔn)確率通常比隨機(jī)切分低2到4個(gè)百分點(diǎn)這才是真實(shí)水平。答辯時(shí)主動(dòng)提一句我沒(méi)有用隨機(jī)切分而是用了時(shí)間切分以避免數(shù)據(jù)泄漏這一句話就能讓評(píng)委知道你理解機(jī)器學(xué)習(xí)應(yīng)用流程里最關(guān)鍵的細(xì)節(jié)。4. 機(jī)器學(xué)習(xí)模型選型與調(diào)參從邏輯回歸到XGBoost的三個(gè)階梯4.1 基線模型先跑邏輯回歸立住能跑通的版本模型部分我強(qiáng)烈建議先跑邏輯回歸當(dāng)基線不要一上來(lái)就上XGBoost。原因有兩個(gè)一是邏輯回歸訓(xùn)練快幾秒出結(jié)果適合用來(lái)驗(yàn)證特征管道有沒(méi)有問(wèn)題二是邏輯回歸的系數(shù)可以解釋你能看到哪些特征對(duì)預(yù)測(cè)結(jié)果影響最大這對(duì)寫(xiě)課程設(shè)計(jì)文檔非常有幫助。特征列的準(zhǔn)備和標(biāo)簽列的定義是這一步的關(guān)鍵。以 nba_games_features.csv 為例特征列包括主隊(duì)和客隊(duì)的滾動(dòng)均值、休息天數(shù)、背靠背標(biāo)記。標(biāo)簽列定義為 home_win表示主隊(duì)是否獲勝。import pandas as pd from sklearn.linear_model import LogisticRegression from sklearn.preprocessing import StandardScaler from sklearn.metrics import accuracy_score, log_loss games pd.read_csv(nba_games_features.csv, parse_dates[GAME_DATE_home]) games games.sort_values(GAME_DATE_home).reset_index(dropTrue) # 標(biāo)簽主隊(duì)得分大于客隊(duì)得分則主勝 games[home_win] (games[PTS_home] games[PTS_away]).astype(int) # 特征列滾動(dòng)均值 賽程特征 feature_cols [ PTS_roll5_home, PLUS_MINUS_roll5_home, FG_PCT_roll5_home, PTS_roll5_away, PLUS_MINUS_roll5_away, FG_PCT_roll5_away, rest_days_home, rest_days_away, back_to_back_home, back_to_back_away, ] X games[feature_cols] y games[home_win] # 邏輯回歸對(duì)特征尺度敏感先標(biāo)準(zhǔn)化 scaler StandardScaler() X_scaled scaler.fit_transform(X) # 時(shí)間切分2023-24賽季之前訓(xùn)練之后測(cè)試 split_date pd.Timestamp(2023-10-24) train_idx games[GAME_DATE_home] split_date test_idx games[GAME_DATE_home] split_date model LogisticRegression(max_iter1000) model.fit(X_scaled[train_idx], y[train_idx]) y_prob model.predict_proba(X_scaled[test_idx])[:, 1] y_pred (y_prob 0.5).astype(int) print(f邏輯回歸準(zhǔn)確率{accuracy_score(y[test_idx], y_pred):.4f}) print(f對(duì)數(shù)損失{log_loss(y[test_idx], y_prob):.4f}) # 打印系數(shù)看特征影響方向 coef_df pd.DataFrame({feature: feature_cols, coef: model.coef_[0]}) print(coef_df.sort_values(coef, ascendingFalse))這段代碼里max_iter1000 是因?yàn)闃?biāo)準(zhǔn)化之后特征數(shù)量不算少默認(rèn)100次迭代偶爾不收斂調(diào)大一點(diǎn)更穩(wěn)妥。predict_proba 返回二維數(shù)組取第二列就是主勝概率。log_loss 是概率預(yù)測(cè)的對(duì)數(shù)損失越小說(shuō)明概率校準(zhǔn)越好后面比較模型時(shí)比準(zhǔn)確率更細(xì)膩。跑完你會(huì)看到PLUS_MINUS_roll5_home 這類凈勝分滾動(dòng)均值的系數(shù)通常顯著高于其他特征說(shuō)明近期凈勝分是預(yù)測(cè)比賽結(jié)果最強(qiáng)的單一信號(hào)。把基于系數(shù)分析特征重要性寫(xiě)進(jìn)課程設(shè)計(jì)報(bào)告就是一塊拿得出手的內(nèi)容。4.2 樹(shù)模型上場(chǎng)隨機(jī)森林和XGBoost的參數(shù)怎么設(shè)基線跑通之后下一步換更強(qiáng)的模型。比賽預(yù)測(cè)場(chǎng)景里隨機(jī)森林和XGBoost是主流選擇。兩者都是樹(shù)模型能自動(dòng)處理特征之間的非線性關(guān)系不需要像邏輯回歸那樣做標(biāo)準(zhǔn)化。代價(jià)是模型本身像個(gè)黑匣子你很難直接說(shuō)出每個(gè)特征的作用方向。隨機(jī)森林的優(yōu)勢(shì)是參數(shù)少、不容易過(guò)擬合、訓(xùn)練速度快適合作為第一個(gè)升級(jí)版模型。XGBoost 的準(zhǔn)確率通常比隨機(jī)森林高零點(diǎn)幾到一兩個(gè)百分點(diǎn)但參數(shù)非常多調(diào)起來(lái)耗時(shí)對(duì)新手不友好。建議課程設(shè)計(jì)用隨機(jī)森林做主線XGBoost 作為進(jìn)階對(duì)比實(shí)驗(yàn)時(shí)間緊的話只做隨機(jī)森林也完全夠。下面這段代碼同時(shí)跑隨機(jī)森林和 XGBoostfrom sklearn.ensemble import RandomForestClassifier from xgboost import XGBClassifier # 樹(shù)模型不需要標(biāo)準(zhǔn)化直接用原始特征 X_train, X_test X.iloc[train_idx], X.iloc[test_idx] y_train, y_test y[train_idx], y[test_idx] rf RandomForestClassifier( n_estimators300, max_depth6, min_samples_leaf5, random_state42, n_jobs-1 ) rf.fit(X_train, y_train) rf_prob rf.predict_proba(X_test)[:, 1] print(f隨機(jī)森林準(zhǔn)確率{accuracy_score(y_test, (rf_prob 0.5).astype(int)):.4f}) xgb XGBClassifier( n_estimators300, max_depth4, learning_rate0.05, subsample0.8, colsample_bytree0.8, random_state42, eval_metriclogloss ) xgb.fit(X_train, y_train) xgb_prob xgb.predict_proba(X_test)[:, 1] print(fXGBoost準(zhǔn)確率{accuracy_score(y_test, (xgb_prob 0.5).astype(int)):.4f})關(guān)鍵參數(shù)說(shuō)明如下表模型參數(shù)作用課程設(shè)計(jì)推薦值隨機(jī)森林n_estimators樹(shù)的數(shù)量200~500隨機(jī)森林max_depth樹(shù)的最大深度防過(guò)擬合6~8隨機(jī)森林min_samples_leaf葉子節(jié)點(diǎn)最少樣本數(shù)5~10XGBoostlearning_rate學(xué)習(xí)率越小步長(zhǎng)越細(xì)0.03~0.1XGBoostn_estimators迭代輪數(shù)與學(xué)習(xí)率配合200~500XGBoostsubsample每輪抽樣比例0.7~0.9XGBoostcolsample_bytree每棵樹(shù)使用特征比例0.7~0.9隨機(jī)森林的 max_depth6 和 min_samples_leaf5 是防過(guò)擬合的核心參數(shù)如果訓(xùn)練集只有幾千場(chǎng)樹(shù)的深度超過(guò)8就很容易把訓(xùn)練集背下來(lái)。XGBoost 的 learning_rate0.05 配合 n_estimators300表示以較小步長(zhǎng)迭代300輪subsample0.8 每輪抽80%樣本colsample_bytree0.8 每棵樹(shù)抽80%特征這兩個(gè)參數(shù)能明顯提升泛化能力。另外樹(shù)模型的超參數(shù)設(shè)置在一定程度上有玄學(xué)成分不用追求全局最優(yōu)關(guān)鍵是先設(shè)一組合理的默認(rèn)值跑通再圍繞防過(guò)擬合調(diào)深度和樣本量。eval_metriclogloss 是告訴 XGBoost 用對(duì)數(shù)損失作為內(nèi)部評(píng)估標(biāo)準(zhǔn)。如果你裝的是很老的 XGBoost 版本可能遇到 deprecation 警告不影響運(yùn)行新版直接不用管。4.3 評(píng)估指標(biāo)怎么選準(zhǔn)確率、對(duì)數(shù)損失與AUC的分工課程設(shè)計(jì)報(bào)告里只寫(xiě)一個(gè)準(zhǔn)確率數(shù)字很單薄。建議至少同時(shí)報(bào)告三個(gè)指標(biāo)準(zhǔn)確率、對(duì)數(shù)損失和AUC它們各自回答不同的問(wèn)題。準(zhǔn)確率最直觀預(yù)測(cè)錯(cuò)誤的場(chǎng)次占比多少但缺點(diǎn)是無(wú)法反映概率的可信度。比如模型對(duì)某場(chǎng)比賽給出51%的勝率贏了算對(duì)、輸了算錯(cuò)但51%和95%的置信度顯然不一樣。對(duì)數(shù)損失就能懲罰這種低置信度錯(cuò)誤模型在錯(cuò)誤方向上給出的概率越高懲罰越重。AUC 則是排序能力的度量回答模型給出的概率排序是否合理和具體閾值無(wú)關(guān)對(duì)樣本不平衡也不太敏感。三者的組合能幫你判斷改進(jìn)方向。如果準(zhǔn)確率還行但 log loss 偏高說(shuō)明模型對(duì)某些比賽過(guò)度自信可以降低樹(shù)模型深度如果 AUC 明顯高于0.5說(shuō)明特征和標(biāo)簽的關(guān)聯(lián)真實(shí)存在問(wèn)題出在閾值設(shè)置可以微調(diào)判定閾值。from sklearn.metrics import roc_auc_score, brier_score_loss for name, prob in [(邏輯回歸, y_prob), (隨機(jī)森林, rf_prob), (XGBoost, xgb_prob)]: auc roc_auc_score(y_test, prob) brier brier_score_loss(y_test, prob) acc accuracy_score(y_test, (prob 0.5).astype(int)) print(f{name}: 準(zhǔn)確率{acc:.4f}, AUC{auc:.4f}, Brier{brier:.4f})Brier 分?jǐn)?shù)是概率預(yù)測(cè)和真實(shí)結(jié)果之間的均方誤差越小越好。答辯時(shí)一張表格列出三個(gè)模型的準(zhǔn)確率、AUC、log loss、Brier就構(gòu)成了一個(gè)完整的評(píng)估體系。如果想把 Python數(shù)據(jù)分析與可視化 也加進(jìn)去用 matplotlib 畫(huà)一條 ROC 曲線放到報(bào)告里能直觀展示三個(gè)模型在不同閾值下的表現(xiàn)差異。4.4 分組交叉驗(yàn)證防止同賽季的比賽同時(shí)出現(xiàn)在訓(xùn)練集和驗(yàn)證集講完評(píng)估指標(biāo)必須講交叉驗(yàn)證的正確姿勢(shì)。很多同學(xué)用 GridSearchCV 調(diào)參時(shí)發(fā)現(xiàn)驗(yàn)證集表現(xiàn)很好一到時(shí)間切分的測(cè)試集就掉點(diǎn)。原因在于默認(rèn)的 KFold 是隨機(jī)切分的前面也說(shuō)過(guò)隨機(jī)切分在時(shí)序數(shù)據(jù)上等于讓模型瞥見(jiàn)了未來(lái)。正確的做法是 TimeSeriesSplit 或 GroupKFold 按賽季分組。TimeSeriesSplit 每次都拿時(shí)間靠前的數(shù)據(jù)做訓(xùn)練、時(shí)間靠后的做驗(yàn)證模擬真實(shí)預(yù)測(cè)場(chǎng)景。GroupKFold 則保證整個(gè)賽季的數(shù)據(jù)在同一折里面避免同賽季比賽被切到訓(xùn)練和驗(yàn)證兩側(cè)。from sklearn.model_selection import TimeSeriesSplit, cross_val_score from sklearn.ensemble import RandomForestClassifier # 數(shù)據(jù)必須先按時(shí)間升序排序TimeSeriesSplit 才有效 games_sorted games.sort_values(GAME_DATE_home).reset_index(dropTrue) X_sorted games_sorted[feature_cols] y_sorted games_sorted[home_win] tscv TimeSeriesSplit(n_splits5) rf RandomForestClassifier(n_estimators200, max_depth6, random_state42, n_jobs-1) scores cross_val_score(rf, X_sorted, y_sorted, cvtscv, scoringaccuracy) print(fTimeSeriesSplit 交叉驗(yàn)證準(zhǔn)確率{scores.mean():.4f} ± {scores.std():.4f})關(guān)鍵點(diǎn)cross_val_score 用 TimeSeriesSplit 時(shí)不會(huì)自動(dòng)打亂數(shù)據(jù)你必須確保傳入的 X_sorted 本身按時(shí)間升序排好否則切分失去意義。scoringaccuracy 可以換成 scoringroc_auc 評(píng)估排序能力。如果想用默認(rèn)切分快速看一眼指標(biāo)可以先用 KFold 跑一遍但報(bào)告里一定要寫(xiě)明隨機(jī)切分在時(shí)序數(shù)據(jù)上的局限。把隨機(jī)切分和時(shí)間切分的對(duì)比寫(xiě)進(jìn)課程設(shè)計(jì)文檔本身就是很漂亮的實(shí)驗(yàn)設(shè)計(jì)。5. 避坑指南NBA預(yù)測(cè)項(xiàng)目里最常翻車的五個(gè)地方這幾個(gè)坑是我自己反復(fù)踩、也幫同學(xué)改這個(gè)題目時(shí)見(jiàn)得最多的按出現(xiàn)頻率排序照著排查基本能解決大部分問(wèn)題。5.1 現(xiàn)象拉取數(shù)據(jù)時(shí)頻繁報(bào)429或連接超時(shí)現(xiàn)象循環(huán)拉五個(gè)賽季的數(shù)據(jù)拉到第二個(gè)賽季就拋 requests.exceptions.HTTPError: 429 Too Many Requests或者程序直接卡住不動(dòng)。原因nba_api 底層請(qǐng)求的是 NBA 官網(wǎng)接口官網(wǎng)對(duì)單IP的請(qǐng)求頻率有限制。課程設(shè)計(jì)階段大家常在機(jī)房或宿舍網(wǎng)絡(luò)下跑一個(gè)出口IP可能有多臺(tái)設(shè)備同時(shí)請(qǐng)求更容易觸發(fā)限流。另一個(gè)隱藏原因是某些版本的 nba_api 默認(rèn)沒(méi)有設(shè)置 User-Agent被官網(wǎng)的防火墻識(shí)別成爬蟲(chóng)直接拒絕。解決一是在每次請(qǐng)求之間加 time.sleep(1)把請(qǐng)求間隔控制在一秒以上二是給請(qǐng)求設(shè)置瀏覽器 UA 和完整的請(qǐng)求頭三是給單次請(qǐng)求設(shè)置 timeout 參數(shù)避免卡死。前面2.4節(jié)的重試代碼可以直接復(fù)用。如果學(xué)校網(wǎng)絡(luò)反復(fù)出問(wèn)題換手機(jī)熱點(diǎn)試一次很多時(shí)候是網(wǎng)絡(luò)鏈路的問(wèn)題而不是代碼的問(wèn)題。5.2 現(xiàn)象訓(xùn)練準(zhǔn)確率高達(dá)80%以上一上真實(shí)預(yù)測(cè)就崩現(xiàn)象訓(xùn)練集準(zhǔn)確率能到85%時(shí)間切分的測(cè)試集也能到65%左右但拿模型去預(yù)測(cè)下一周的真實(shí)比賽準(zhǔn)確率只有50%上下跟猜差不多。原因根子上幾乎全是數(shù)據(jù)泄漏。常見(jiàn)泄漏點(diǎn)有三個(gè)滾動(dòng)均值沒(méi)有 shift(1)當(dāng)天的比賽數(shù)據(jù)參與了當(dāng)天特征計(jì)算切分沒(méi)有按時(shí)間隨機(jī)切分讓模型在訓(xùn)練時(shí)看到了未來(lái)第三個(gè)最隱蔽——標(biāo)簽構(gòu)造錯(cuò)誤或者把比賽結(jié)束后的全場(chǎng)累計(jì)統(tǒng)計(jì)比如球隊(duì)單場(chǎng)籃板、助攻總數(shù)當(dāng)成了特征數(shù)據(jù)和標(biāo)簽同時(shí)來(lái)自同一個(gè)結(jié)果準(zhǔn)確率自然虛高。解決逐一排查。滾動(dòng)均值必須 shift(1)切分必須用時(shí)間切分標(biāo)簽必須按 GAME_ID 配對(duì)后生成主隊(duì)勝負(fù)特征列里不能出現(xiàn)和比賽同一天生成的統(tǒng)計(jì)。排查方法很樸素隨機(jī)挑一場(chǎng)已知結(jié)果的比賽手工算它的滾動(dòng)均值特征和代碼計(jì)算值對(duì)比看是否嚴(yán)格排除了當(dāng)天比賽。在報(bào)告里寫(xiě)一句已人工校驗(yàn)特征無(wú)泄漏很顯專業(yè)。5.3 現(xiàn)象做滾動(dòng)均值或合并時(shí)報(bào)索引不對(duì)齊現(xiàn)象跑特征工程時(shí)報(bào) ValueError: cannot reindex on an axis with duplicate labels或者合并出來(lái)的結(jié)果是全 NaN。原因通常是因?yàn)?GAME_ID 有重復(fù)或者 rolling 之后 reset_index 的方式不對(duì)。一個(gè) GAME_ID 在主客兩行里如果格式不一致一個(gè)純數(shù)字一個(gè)字符串merge 時(shí)會(huì)變成笛卡爾積。另外groupby().rolling() 返回的是分組級(jí)索引沒(méi)有正確 reset 的話會(huì)把原始 DataFrame 索引打亂后續(xù)一切按索引對(duì)齊的操作都會(huì)錯(cuò)位。解決拿到原始數(shù)據(jù)后先做三件事GAME_ID 統(tǒng)一轉(zhuǎn)成 str檢查并去除重復(fù)行確保 GAME_DATE 已轉(zhuǎn)成 datetime。rolling 計(jì)算完統(tǒng)一 reset_index(dropTrue)再做 merge。標(biāo)準(zhǔn)的預(yù)處理開(kāi)頭長(zhǎng)這樣games[GAME_ID] games[GAME_ID].astype(str) games games.drop_duplicates(subset[GAME_ID, TEAM_ID]) games games.sort_values([TEAM_ID, GAME_DATE]).reset_index(dropTrue) assert games.duplicated(subset[GAME_ID, TEAM_ID]).sum() 0 print(數(shù)據(jù)檢查通過(guò)無(wú)重復(fù)記錄索引已重置)5.4 現(xiàn)象同樣的代碼換臺(tái)電腦跑結(jié)果完全不一樣現(xiàn)象自己電腦上準(zhǔn)確率62%換到舍友電腦或者答辯電腦上跑變成58%甚至更低或者直接報(bào)錯(cuò)。原因最常見(jiàn)的原因是庫(kù)版本不一致。pandas 不同版本的 rolling 行為、sklearn 不同版本的隨機(jī)數(shù)、nba_api 不同版本的字段名都會(huì)導(dǎo)致差異。特別是 nba_api 更新頻繁字段名或構(gòu)造函數(shù)參數(shù)名可能變化老代碼在新版本下可能直接報(bào)錯(cuò)。另一個(gè)原因是數(shù)據(jù)不同——兩次拉取時(shí)間不同數(shù)據(jù)里包含的場(chǎng)次數(shù)不一樣特征統(tǒng)計(jì)自然有差異。解決寫(xiě)一個(gè) requirements.txt 把核心依賴版本鎖死文檔里寫(xiě)明測(cè)試環(huán)境。答辯前提前去答辯電腦上把環(huán)境和依賴裝好不要臨場(chǎng)拉數(shù)據(jù)。數(shù)據(jù)方面固定下載日期把原始CSV隨代碼一起提交任何環(huán)境跑的都是同一份數(shù)據(jù)。如果 nba_api 版本過(guò)新導(dǎo)致參數(shù)報(bào)錯(cuò)快速定位的方式是打印 dir(leaguegamefinder) 看當(dāng)前支持的參數(shù)名別拿老教程硬套。5.5 現(xiàn)象預(yù)測(cè)概率總往0.5收縮看不出觀點(diǎn)現(xiàn)象模型輸出的概率絕大多數(shù)落在0.4到0.6之間很少出現(xiàn)70%以上的判斷看著不夠有觀點(diǎn)。原因這在NBA預(yù)測(cè)里是正?，F(xiàn)象不是bug?；@球比賽本身隨機(jī)性很強(qiáng)主場(chǎng)優(yōu)勢(shì)、近期狀態(tài)這些信號(hào)只能解釋比賽結(jié)果的一部分方差模型天然學(xué)不到特別強(qiáng)的區(qū)分度。NBA單場(chǎng)兩隊(duì)合計(jì)得分動(dòng)輒230分以上一個(gè)球員手感爆發(fā)就能改變走勢(shì)概率往0.5收縮是信息量的真實(shí)反映不是模型壞了。解決不要為了模型有觀點(diǎn)去強(qiáng)行調(diào)閾值或改損失函數(shù)。正確做法是接受這個(gè)現(xiàn)實(shí)從特征側(cè)找增量——加入球員輪休、傷病名單、球隊(duì)連勝連敗狀態(tài)都能小幅拉開(kāi)概率。還可以建模分差而不是勝負(fù)因?yàn)檫B續(xù)量比分立標(biāo)簽包含更多信息。說(shuō)到底60%到63%的準(zhǔn)確率對(duì)這個(gè)任務(wù)已經(jīng)是很不錯(cuò)的水平對(duì)比隨機(jī)猜測(cè)的50%基準(zhǔn)這個(gè)結(jié)論本身就立得住。6. 進(jìn)階驗(yàn)證用滾動(dòng)回測(cè)與概率校準(zhǔn)檢驗(yàn)?zāi)Ｐ驼鎸?shí)水平模型訓(xùn)練完還差最后一環(huán)用一套能反復(fù)執(zhí)行的驗(yàn)證流程證明模型不是碰運(yùn)氣。課程設(shè)計(jì)里最常說(shuō)的一句話是模型準(zhǔn)確率62%但這個(gè)數(shù)字怎么來(lái)的、在不同時(shí)間段是否穩(wěn)定很多人說(shuō)不清楚。這一章講兩個(gè)進(jìn)階動(dòng)作滾動(dòng)回測(cè)和概率校準(zhǔn)。滾動(dòng)回測(cè)的思路是模擬真實(shí)的預(yù)測(cè)節(jié)奏。假設(shè)現(xiàn)在是某個(gè)比賽日你有截至前一天的所有數(shù)據(jù)要預(yù)測(cè)今天所有比賽的勝負(fù)等比賽結(jié)束把預(yù)測(cè)和結(jié)果對(duì)比記錄命中。把時(shí)間軸往前推每周做一次這樣的預(yù)測(cè)累積一整個(gè)賽季就得到一條真實(shí)的準(zhǔn)確率曲線。實(shí)現(xiàn)上不需要復(fù)雜框架一個(gè) for 循環(huán)就能完成。# 把測(cè)試期按周切塊逐周回測(cè) test_games games[games[GAME_DATE_home] split_date].copy() test_games[week] test_games[GAME_DATE_home].dt.isocalendar().week results [] for week, group in test_games.groupby(week): # 截止到本周之前的全部數(shù)據(jù)作為訓(xùn)練集 train_data games[games[GAME_DATE_home] group[GAME_DATE_home].min()] if len(train_data) 200: continue X_tr train_data[feature_cols] y_tr train_data[home_win] # 每周重新訓(xùn)練一次模擬真實(shí)部署節(jié)奏 rf RandomForestClassifier(n_estimators200, max_depth6, random_state42) rf.fit(X_tr, y_tr) prob rf.predict_proba(group[feature_cols])[:, 1] acc ((prob 0.5).astype(int) group[home_win].values).mean() results.append({week: week, games: len(group), accuracy: acc}) result_df pd.DataFrame(results) print(result_df) print(f整體回測(cè)準(zhǔn)確率{result_df[accuracy].mean():.4f})這段代碼的核心是每周重訓(xùn)一次而不是訓(xùn)一次模型測(cè)一整年。因?yàn)镹BA賽季中有交易、傷病、陣容變化固定模型會(huì)隨時(shí)間推移慢慢失效?；販y(cè)結(jié)果里命中率的波動(dòng)范圍值得關(guān)注——如果某幾周準(zhǔn)確率突然跌到40%以下去查那幾周發(fā)生了什么往往能對(duì)應(yīng)上全明星周末、交易截止日這類特殊賽程事件。概率校準(zhǔn)是第二個(gè)值得做的動(dòng)作。模型輸出0.55的概率到底接近真實(shí)命中率還是虛標(biāo)需要用校準(zhǔn)曲線驗(yàn)證。sklearn 的 calibration_curve 可以直接畫(huà)from sklearn.calibration import calibration_curve import matplotlib.pyplot as plt # 把測(cè)試集概率分桶對(duì)比每個(gè)桶內(nèi)的實(shí)際命中率 prob_true, prob_pred calibration_curve(y_test, xgb_prob, n_bins10) plt.figure(figsize(6, 6)) plt.plot(prob_pred, prob_true, markero, labelXGBoost) plt.plot([0, 1], [0, 1], linestyle--, label理想校準(zhǔn)) plt.xlabel(預(yù)測(cè)概率) plt.ylabel(實(shí)際命中率) plt.legend() plt.savefig(calibration_curve.png, dpi150)如果校準(zhǔn)曲線明顯偏離對(duì)角線說(shuō)明概率系統(tǒng)性偏高或偏低這時(shí)可以用 CalibratedClassifierCV 做一次事后校準(zhǔn)。對(duì)課程設(shè)計(jì)來(lái)說(shuō)畫(huà)一張校準(zhǔn)曲線并解釋它的含義比多調(diào)幾個(gè)百分點(diǎn)的準(zhǔn)確率更能體現(xiàn)你對(duì)機(jī)器學(xué)習(xí)模型的理解深度。我自己做這個(gè)項(xiàng)目時(shí)養(yǎng)成的習(xí)慣是每個(gè)比賽日結(jié)束后把前一天的真實(shí)結(jié)果回填到數(shù)據(jù)表重算滾動(dòng)均值重新訓(xùn)練模型再把當(dāng)日比賽的預(yù)測(cè)輸出到一個(gè)CSV。堅(jiān)持一個(gè)月累積下來(lái)就能畫(huà)出一條真實(shí)的準(zhǔn)確率曲線?？吹角€連續(xù)下滑就知道該更新特征或者查查是不是有核心球員傷停了——這種從數(shù)據(jù)里發(fā)現(xiàn)問(wèn)題的感覺(jué)比調(diào)參更有成就感。這個(gè)項(xiàng)目做完你帶走的不只是代碼而是一套從需求到可驗(yàn)證結(jié)果的完整套路先跑通最小流程再逐層加特征、換模型、補(bǔ)評(píng)估每一步都有可驗(yàn)證的輸出。以后做別的數(shù)據(jù)類項(xiàng)目這條骨架都能直接復(fù)用。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取