Esports-Oracle：基于自训练逻辑回归与DeepSeek推理代理的电竞赛事预测系统

Esports-Oracle是一个自动更新的一级电竞赛事预测平台，支持CS2与LoL比赛的每日胜率预测与自动化部署。其核心创新在于结合滚动窗口自训练逻辑回归模型与DeepSeek推理代理，构建自我更新、自我评估的系统。项目通过GitHub Actions定时任务驱动数据抓取、模型训练，并将结果部署到Vercel平台，为电竞爱好者和分析师提供最新赛事洞察。

项目数据主要来自Oracle's Elixir公开的赛事CSV文件（含选手表现、团队数据、比赛元数据等）。数据划分采用时间序列感知策略：训练数据为2024-2025年历史数据，验证数据为2026年最新数据，本地缓存2024-2026年数据，确保模型评估公平性，避免数据泄露。

核心预测引擎为逻辑回归模型，公式为p(blue win) = sigmoid(intercept + sum(weight_i * zscore(feature_i)))，可解释性强。特征包括团队层面（Elo分差、近期状态、阵营偏好）、选手层面（近期状态、英雄熟练度、团队英雄池）、版本与元游戏层面（位置英雄强度、版本经验）。系统还支持将单局胜率转换为BO1/BO3/BO5系列赛获胜概率。

DeepSeek推理代理承担三大角色：1. 分析非结构化数据（选手采访、版本更新说明等），提取结构化特征；2. 生成自然语言分析报告，解释预测逻辑；3. 检测预测与实际结果偏差，建议特征工程改进方向。

项目通过GitHub Actions实现自动化：定时执行fetch_data.py（获取2024-2026年数据）和build_dataset.py构建数据集。预测结果部署到Vercel平台，提供低延迟全球访问与自动HTTPS。本地开发可通过python3 -m http.server 4173 --directory app预览界面。

项目亮点包括：1. 传统ML（逻辑回归）与LLM（DeepSeek）融合，兼顾可解释性与语义处理能力；2. 自动化运维最佳实践（定时数据更新、版本控制、持续部署）；3. 特征工程融入电竞领域知识（Elo评分、英雄熟练度等）。

项目存在两点局限：1. 数据获取需遵守来源条款（如禁止HLTV自动抓取）；2. 电竞比赛受临场状态等不可预测因素影响，预测无法100%准确，用户应作为参考而非绝对依据。

Esports-Oracle并非取代人类分析师，而是通过自动化流程与可解释模型提供支持。对开发者而言，项目在数据管道设计、特征工程、自动化部署方面提供了有价值的参考，是AI在垂直领域应用的典型案例。