第15名简短总结

方法

• 这两次提交每一次都基于完全不同的单模型。
• 没有进行后处理或博弈。

模型1：CatBoost

第一个模型是一个简单的 CatBoost 模型，使用了包括 Elo 评分差在内的几个特征。

关键在于使用每支球队在每场比赛时的 Elo 评分，而不是常规赛结束时的评分。

以 UCLA 对阵 Gonzaga 为例，我们可以从对阵表上看到他们的比赛将在最终四强中进行。这意味着 UCLA 和 Gonzaga 在比赛前必须已经赢得了四场锦标赛比赛。

当然，我们不知道 UCLA 实际上会击败哪支球队（第一轮除外），但我们可以通过运行模拟来很好地估计比赛时的 Elo 评分。

通过这种方式，爆冷获胜后的球队被模型认为有更大的获胜机会，因为他们的 Elo 评分会显着增加（而且显然这是事实）。

模型2：Transformer

第二个模型是基于 Riiid 第一名解决方案 的单查询 Transformer，在常规赛比赛结果上进行了训练。

由于结果不是很好，我就不详细介绍了，但我附上了模型的代码，如果你感兴趣可以看一看。

结果

包括过去锦标赛回测在内的结果如下。看来今年我只是运气好 ;)