第8名解决方案

感谢Kaggle和所有参与者的组织，举办了如此精彩的竞赛。March Madness是我在2019年第一次参加的竞赛，所以这次能够获奖让我非常高兴。然而，今年我花了超过一半的时间来理解一个新的指标，没有足够的时间来编写代码。因此，请理解我的解决方案是公开Notebook的组合。

更新（2024年4月18日）：我已发布了除提交Notebook之外的代码。并且，我添加了延迟提交的结果。

代码

提交Notebook在这里。该Notebook从这个数据集读取数据。数据集中的每个数据均由以下代码创建：

• EloRating_mens_10.csv 和 EloRating_womens_10.csv：https://www.kaggle.com/code/flat831/elo-rating
• features_mens.csv：https://www.kaggle.com/code/flat831/create-feature-mens
• features_womens.csv：https://www.kaggle.com/code/flat831/create-feature-womens
• train_mens.csv：https://www.kaggle.com/code/flat831/create-train-mens
• train_womens.csv：https://www.kaggle.com/code/flat831/create-train-womens
  （需要按以下顺序执行：elo-rating -> create-feature-XX -> create-train-XX。）

模型

对以下两个模型进行加权集成：

• rustyb的≒radder的XGB模型（权重 = 0.8）
• theoviel的逻辑回归模型（权重 = 0.2）

逻辑回归模型过去使用了538的评级，但今年我无法使用它们。相反，我在R中实现了Elo评级作为替代。这两个模型在过去的竞赛中都产生了良好的结果，并且捕捉到不同的趋势，所以我认为集成是有效的。

模拟

我直接使用了lennarthaupts的Notebook。（n_brackets = 100000）

手动覆盖

对于第一次提交，我设置康涅狄格大学（UConn）在男子锦标赛中100%获胜，南卡罗来纳大学在女子锦标赛中100%获胜。同样，对于第二次提交，我设置休斯顿大学在男子锦标赛中100%获胜，南卡罗来纳大学在女子锦标赛中100%获胜。

正如jacklichtenstein的第二名解决方案中所提到的，我认为这种策略在今年的赛制中非常有效。此外，考虑到去年的结果很混乱，我认为许多参与者今年可能会犹豫是否使用覆盖。这是一种元游戏策略；使用覆盖的参与者越多，使用覆盖的价值就越低。

延迟提交

延迟提交的结果如下：

• 至少从今年的结果来看，逻辑回归模型表现更好。（由于时间不足，我凭感觉决定了集成比例，但本应该彻底验证它。）
• 在我的模型中，UConn的覆盖效果产生了非常显著的影响。