机器学习模型在足球比赛预测方面的性能评估和梯度提升树模型的最佳特征集的确定的研究。

Sep, 2023

提出了一个新的框架 CAB-XDE，用于预测比特币 BTC-USD 的每日收盘价，该框架整合了自定义的双向长短期记忆网络 (BiLSTM)、注意力机制和 XGBoost 算法，效果优于现有模型，指标包括 MAPE 为 0.0037、MAE 为 84.40 和 RMSE 为 106.14。

Jan, 2024

本文提出了一种基于梯度提升和自动超参数调整的自动机器学习框架 (autoxgboost)，与目前的 AutoML 项目进行了比较，并在 16 个数据集上取得了可比较的结果和两个最佳表现。

Jul, 2018

房屋价格的准确预测是包括房地产和抵押贷款在内各个行业的基本要求。本研究通过运用各种机器学习技术来解决房价预测问题，并使用爱荷华州艾姆斯市的房屋数据集比较了支持向量回归器、随机森林回归器、XGBoost、多层感知器和多元线性回归算法。最终确定了影响房屋成本的关键因素，并得出结果表明 XGBoost 是最佳的房价预测模型。

Feb, 2024

本研究探讨了职业足球历史与博彩业的重要性，并追溯了其从秘密起源到利润丰厚的千万英镑企业的演变。通过 1960 年合法化博彩所引发的转变和 Thorold Charles Reep 在足球数据收集方面的开拓，这两个领域之间的共生关系推动了快速的增长和创新。在过去的六十年中，这两个行业都经历了根本性的转变，数据收集方法从简单的记笔记发展到高清摄像机和人工智能驱动的分析等先进技术。因此，本研究的主要目标是利用机器学习算法预测英超联赛足球比赛结果。通过分析历史数据和研究各种特征的重要性，研究旨在识别最有效的预测模型，并确定影响比赛结果的关键因素。此外，研究旨在利用这些预测结果为博彩公司提供赔率设定的见解，从而强调了运动预测和博彩中明智决策的潜力，为体育分析领域的研究和实际应用开辟了新的途径。

Mar, 2024

本文研究了三个软件 Gradient Boosting Decision Trees (GBDTs) packages: XGBoost, LightGBM 和 Catboost 的 GPU 加速性能以及在超参数优化方面的比较，并注意到 GBDTs 的许多超参数需手动调整或自动优化，以达到最佳预测能力。

Sep, 2018

机器学习在足球比赛结果预测中已成为一种常见方法，本章讨论了该领域中可用的数据集、模型类型和特征以及评估模型性能的方法。研究发现，目前基于渐变提升树模型（如 CatBoost）和特定于足球比赛的评分（如 pi - 评分）的机器学习模型在只包含进球作为比赛特征的数据集上表现最佳，但需要更详细比较深度学习模型和随机森林在不同类型特征数据集上的性能。此外，可以进一步研究新的评分系统，其中包括球员和团队级别信息，并融合来自时空追踪和事件数据的附加信息。最后，需要提高比赛结果预测模型的可解释性，以使其对团队管理更有用。

Mar, 2024

基于 Von Neumann-Morgenstern 期望效用理论、深度学习技术和凯利准则的先进公式，本研究采用全新方法优化体育博彩中的投注策略，结合神经网络模型和投资组合优化，取得了在 20/21 英超联赛后半段相对初始财富增长 135.8% 的显著利润。研究还探讨了完整和限制策略，评估了其绩效、风险管理和多样化，同时开发了深度神经网络模型来预测比赛结果，解决了有限变量等挑战，为体育博彩和预测建模领域提供了有价值的见解和实际应用。

Jul, 2023

本研究通过对 Extreme Gradient Boosting (XGBoost) 的改进，使用修正后的分位数回归作为目标函数以估计不确定性 (QXGBoost)，并将其应用于预测间隔的创建，并将其应用于一个模拟数据集和一个实际环境数据集中的测量交通噪声，结果表明该方法在预测间隔方面的整体性能要优于其他基于覆盖范围准则的模型。

Apr, 2023

研究了网球比赛中势头和比赛波动的动力学，通过评估选手表现、量化势头效应、测量比赛波动以及进行元学习，有效地预测比赛结果和提供运动分析和选手训练策略的启示。

May, 2024