第6名解决方案

连续第三年，在预测中采取激进策略在女子比赛中的效果远好于男子比赛。考虑到过去十年女子篮球相比男子篮球缺乏相对的平衡性，这也许并不令人惊讶。

我使用了一个完全基于XGBoost的模型，并花费了大量时间进行超参数调整，以优化我的交叉验证（CV）结果。

• 训练CV中的目标特征是胜分差。

• 准确度衡量标准是平均绝对误差。

• 基于最终让分盘口的历史胜率被用来将胜分差映射为获胜概率。

• 激进覆盖 #1：将任何获胜概率 >= 92.5% 的比赛映射为 99% 的可能性。这差点在 NC State/Notre Dame 的比赛中害了我，但 Raina Perez 成了我的英雄！我没有做具体的计算，但如果我将其设置为 99.999%，我可能会进入前5名。老实说，我宁愿不去做这个计算，因为如果我的粗略假设是真的，那可能会让我太痛苦 :)

• 激进覆盖 #2：在第一轮中，所有1号种子和2号种子都被设定为 99.9% 的获胜可能性，3号种子被设定为 99% 的可能性。

• 激进覆盖 #3：所有1号种子在第二轮对阵8/9号种子时，都被设定为 99% 的获胜可能性。在最后一刻，我决定不对2号种子对阵7/10号种子的情况这样做——考虑到 Iowa 和 Baylor 都输了，这相对来说是幸运的。

最终，最终止步于前5名之外，主要是因为 UConn 打进了冠军赛，因为我的模型认为他们在对阵 NC State 和 Stanford 时处于劣势。吸取的教训：下个赛季我需要实施一个 Geno Auriemma（UConn传奇教练）手动覆盖！