基于深度学习的 NCAA 篮球赛果预测：LSTM 与 Transformer 模型的比较研究
机器学习
2025-08-06 v1 人工智能
摘要
在本研究中，我探索了先进的深度学习方法来预测 2025 年 NCAA 第一级别男子和女子篮球锦标赛的赛果。利用历史 NCAA 比赛数据，我实现了两种复杂的基于序列的模型：长短期记忆（LSTM）和 Transformer 架构。通过全面的特征工程增强了这些模型的预测能力，包括源自广义线性模型（GLM）的球队质量指标、Elo 评级、种子差异和聚合的技术统计。为了评估预测的鲁棒性和可靠性，我分别使用二元交叉熵（BCE）和 Brier 损失函数训练了每个模型变体，为分类性能和概率校准提供了见解。我的比较分析表明，虽然使用 BCE 优化的 Transformer 架构产生了卓越的判别能力（最高 AUC 为 0.8473），但使用 Brier 损失训练的 LSTM 模型展现出更优的概率校准（最低 Brier 分数为 0.1589）。这些发现强调了根据预测任务的具体要求选择合适模型架构和损失函数的重要性。这里提出的详细分析流程可作为未来体育分析及其他领域预测建模任务的可复现框架。
引用
@article{arxiv.2508.02725,
title = {Forecasting NCAA Basketball Outcomes with Deep Learning: A Comparative Study of LSTM and Transformer Models},
author = {Md Imtiaz Habib},
journal= {arXiv preprint arXiv:2508.02725},
year = {2025}
}
备注
20 page scientific report