机器学习预测马拉松完赛时间：2023波士顿马拉松数据分析实践

本文基于2023年波士顿马拉松26,598名跑者的真实数据，通过年龄组、性别和半程成绩预测全程完赛时间，对比了基线比例法、线性回归、神经网络和Bagged Trees集成模型，最终Bagged Trees集成模型实现RMSE仅9.42分钟的高精度预测（R²=0.953），验证了简单模型在该任务中的优异表现。

波士顿马拉松作为世界六大马拉松赛事之一，数据具有极高研究价值。本项目使用2023年赛事26,598名完赛跑者数据，核心特征包括：

• 年龄组：11个年龄段（18-24至70+），分类编码
• 性别：男/女二元分类
• 半程时间：秒为单位的半程成绩（预测最强信号） 目标变量为净完赛时间（起跑至终点实际用时）。

1. 缺失值处理：用MATLAB rmmissing移除含缺失值记录
2. 异常值过滤：
   • 正向时间验证：排除退赛（DNF）零值
   • 配速比例约束：剔除全程/半程时间比值超出1.80-3.20的异常数据
3. 特征工程：
   • 分类变量独热编码（避免测试集未见类别）
   • 半程时间标准化（仅用训练集均值/标准差，防数据泄露）
4. 数据集按80/20划分训练/测试集，随机种子42确保可复现。

对比四模型：

1. 基线比例法：假设全程=半程×平均系数，提供性能下限
2. 线性回归：MATLAB fitlm，可解释性强，系数反映特征影响
3. 神经网络：三层结构[64,32,16]，ReLU激活，捕捉非线性交互
4. Bagged Trees集成：MATLAB fitrensemble，150学习器+最小叶节点10，降低方差提升泛化。

测试集表现（部分指标）：

排名	模型	RMSE（分钟）	R²	±10分钟准确率
1	Bagged Trees集成	9.42	0.953	78%
2	线性回归	9.70	0.951	77%
3	神经网络	9.75	0.950	77%
4	基线比例法	10.11	0.947	72%
关键发现：

• 集成模型微弱领先，但线性模型简洁性更优
• 半程时间是主导特征，单独解释大部分方差
• 简单模型（线性回归）与复杂模型性能相当，问题信号本质线性。

二分类扩展：设定3:00/3:30等完赛阈值，转换为“能否在X小时内完赛”二元决策，准确率达94%-98%。 技术实现：

• MATLAB脚本：marathon_models.m端到端流水线
• 开源资源：清洗后数据集、模型包、结果表
• 交互式网站：可视化模型排行、精度带分析、残差图等。

启示：

• 单位选择：分钟比秒更直观，±X分钟准确率更实用
• 可复现性：固定随机种子+标准化流程是工程关键
• 特征理解：深入分析半程与全程关系比调优模型更重要 总结：项目验证“简单模型优先”原则，线性/轻量级集成是性价比最高选择，开源资源为体育数据科学提供实践参考。