机器学习与融合 · 10 个项目
足球机器学习与融合模型大全
机器学习与融合模型依赖严格的时间切分、样本外概率和可解释性。多个相关基础模型不能被简单当成独立投票，融合结果必须保留概率校准、漂移和模型分歧边界。
可展示可解释性报告模型用特征贡献和模型一致性解释分析结果。explainability_report可展示足球狗自研融合模型（FD-Fusion）足球狗唯一公开自研模型：以Multi4为最终输出核心，统一呈现比分前三、进球数前三、胜平负前二和半全场前三；FD-xG与FD-SPI作为内部诊断引擎，不重复投票。fd_matrix_multi4持续研究动态权重集成模型按模型近期表现动态调整权重，模型数量和复盘样本足够后启用。dynamic_ensemble持续研究模型分歧与漂移提示根据当前多个模型的概率分散程度，向用户说明结果稳定性和潜在漂移影响。drift_monitor持续研究神经网络 Stacking把多个基础模型输出作为输入，由二级模型学习融合概率。neural_stacking持续研究随机森林模型使用多维赛前特征输出胜平负概率和特征重要性。random_forest持续研究梯度提升树模型用梯度提升树学习非线性特征关系，是后续增强模型的核心方向。xgboost_catboost持续研究GLM 进球回归模型用回归方程分别估计主客队进球均值，是泊松模型的训练化升级方向。glm_goals持续研究Ordered Logit 实验模型把客胜、平局、主胜作为有序区间，以赛前状态和主客场强度计算三项概率。ordered_logit持续研究SVM 分类模型用标准化特征进行分类，输出需再做概率校准。svm_classifier 模型名称之后，还要看状态与合同。
本页用于解释这一类方法能解决的问题。可展示、持续研究、因子模型和研究方向不会混为同一开放程度。