March Machine Learning Mania 2026

比赛任务是什么？

项目使用历年 NCAA 篮球比赛和赛季信息预测潜在对阵结果。核心是构造只依赖预测时点之前信息的特征，并用时间切分和概率校准检查模型是否真正具有跨赛季泛化能力。

用一个例子理解项目

评价指标与验证

Brier Score

预测概率与实际胜负的均方误差，越低越好；过度自信的错误预测会受到较大惩罚。

固定数据划分、评估器版本和资源条件，记录基线与对照结果，并解释错误样本。

技术路线

1. 整理

   构建赛季时间轴

   确保特征只使用预测前可见信息。

2. 特征

   生成球队强度

   比较胜率、对手强度与近期表现。

3. 验证

   按赛季回测

   用历史赛季模拟未来比赛预测。

4. 校准

   检查概率质量

   比较排序能力、校准和极端错误。

适合专业与项目难度

赛季数据处理、球队强度特征和获胜概率校准直接关联数据科学、统计与数学；基线建模和可复现流水线适合计算机、AI 与机器学习方向。

为什么评为基础？

按供稿起步路线评为基础：已有 Python 和表格基础即可从胜率、净胜分和种子排名建模；仍需按赛季切分，防止未来信息泄漏并检查概率质量。

等级说明：已有 Python 和基础统计，可用常规模型完成基线、验证和记录。

建议具备的基础

• Python、Pandas 与表格数据处理
• 基础概率统计
• 训练/验证划分与简单分类模型

可以从哪里开始

用胜率、净胜分和种子排名建立概率基线，按历史赛季验证，再加入 Elo、树模型和校准。

专业与难度由本站根据项目文档分析，面向基线复现与对照实验；具体门槛取决于承担的任务和项目深度。 这不是 Kaggle 官方评级。

可以形成的成果

• 公开结构化数据复现
• 赛季特征工程对照
• 概率预测与校准评估
• 时间切分实验复盘

成果预览与验收方式

下面展示建议的成果结构，实际内容由本人运行、实验和整理后形成。

本项目重点验收：潜在对阵结果的概率预测；跨赛季验证、概率校准与误差分析。

复现实验需要回答的问题

• 随机切分为什么会高估体育预测结果
• 如何让球队强度特征不读取未来比赛
• 分类准确率与概率校准分别说明什么

留学、科研与求职如何使用？

公开 Notebook、方案与讨论

以下入口来自项目文档中的公开资料，适合阅读和设计复现实验。

公开材料的运行环境、许可和作者结论请结合原页面复核。

• March Machine Learning Mania 2026 Starter ↗

  公开学习材料；运行条件和许可需复核，作者成绩不代表本站或用户成果。

• Calculate ELO-Ratings ↗

  公开学习材料；运行条件和许可需复核，作者成绩不代表本站或用户成果。

• NCAA 2026 \| Final - LightGBM ↗

  公开学习材料；运行条件和许可需复核，作者成绩不代表本站或用户成果。

• How to Get Started + Competition's Official Discord ↗

  公开讨论中的方法与经验；作者自报结论需通过自己的实验验证。

• Stage 2 is Now Open! ↗

  公开讨论中的方法与经验；作者自报结论需通过自己的实验验证。

• Format Update: Reducing to one selected submission in Stage 2 ↗

  公开讨论中的方法与经验；作者自报结论需通过自己的实验验证。

规划适合你的项目深度

结合目标、专业、已有基础和时间，确定基线、对照实验与成果表达的范围。