高性能篮球比赛预测：方法与结果分析
1. 异常值检测
在篮球比赛中，黑马球队的出现给可靠的机器学习模型带来了额外挑战。为提升模型性能，在学习前对训练和测试数据集进行异常值检测，标记出“少数且不同”的数据点。 采用隔离森林（Isolation Forest）算法进行异常值检测，该算法旨在检测孤立的异常值，而非刻画正常点。构建隔离树来隔离每个实例，异常值更靠近树的根节点，正常点分布在树的较深位置，仅考虑叶路径较短的点，因为它们更可能是异常值。 从检测结果来看，大部分真实异常值未被检测到，检测到的异常值大多分布在聚类边缘，而真实异常值位于中心。可能的解释是，被隔离的异常值可能因其极端值，但考虑到比赛由两队差异表示，值越极端，比赛越可预测，异常值更可能出现在大多数特征（差异）处于中位数的位置。不过，模型正确检测到了聚类右下角的数据点，且测试数据中该区域检测到的异常值比训练数据更密集，因此将模型预测的异常值作为新特征保留。
2. 历史数据处理
赛季在预测结果中起着重要作用，球队水平不仅取决于当前赛季表现，还与以往表现有关，原因如下： - 球队成员每年会发生变化。 - 判断球队是进步还是退步很重要。 - 最早年份的数据对预测最近年份的结果可能信息不足。
因此，采用滑动窗口方法利用以前的数据记录。用于预测的特征由两部分组成：过去的所有特征和本赛季的特征。使用过去三年的数据结合今年的数据来预测今年的目标，过去的特征包括种子排名、排名、攻防效率和场上表现的主成分分析（PCA），预测得到的概率会连接到转换后的数据集中。
3. 学习模型选择与集成
3.1 基础学习模型
加内特时隔8年重回森林狼 12年前跳舞大叔再上观众台马拉特最新一战，打小日子70公斤级第一狠人！