第17名方案

我想分享我的解决方案，因为我相信它使用了一种有点非传统的策略。今年是我第一次参加这项比赛，不得不说，看着比赛展开真的很令人兴奋。对我来说遗憾的是，我没能获得金牌或前5名，主要是因为圣彼得大学的爆冷（预测为92%），以及堪萨斯大学在决赛中的翻盘（堪萨斯仅预测为55%）。在提交阶段我没有看任何讨论，因为我想做一个独特的模型，不被其他想法所左右。

我想到了使用不同的Elo系统的想法，并将Elo值输入到一个小的全连接神经网络中。Elo系统是用k值 [10, 15, 20, 30, 50] 计算的（关于k值的详情：https://en.wikipedia.org/wiki/Elo_rating_system），这样就可以测量不同时间尺度上的表现。为了考虑到普通Elo系统无法捕捉的比分接近的比赛结果，我还使用最终得分除以总得分作为比赛结果来计算Elo值。最后，我传入一个指示比赛是否为锦标赛的数值，传入赛季日期，并将输入与 LSTM 的输出连接起来，该LSTM接收过去30天内最后10次Elo变化。基本上就是这样。

我的另一个提交也使用了官方排名的对数平均值，但该方案的得分较差，为0.59573（相比之下，我第17名的得分为0.58903）。我在女子比赛中使用了与我第17名相同的解决方案，并在那里获得了第95名。与专家提交的中位数相比，我的模型通常从爆冷中获益。

总结：

我使用了：

• Elo系统
• LSTM
• 小型神经网络

可以改进的地方：
我没想到计算比赛发生在哪一轮。我相信使用这一点会在随后的轮次中更看好弱旅。

最后，我要感谢主办方举办这场有趣的比赛！