LeetCode Rating Predictor：基于深度神经网络的竞赛分数预测系统

LeetCode Rating Predictor是面向算法竞赛爱好者的全栈应用，利用15维特征的密集神经网络（TensorFlow）预测竞赛评分变化，包含FastAPI后端和React前端，支持实时预测。目标用户覆盖竞赛参与者、算法学习者及技术爱好者，提供直观的预测工具与学习参考。

背景

为竞赛参与者提供实时评分预测工具，结合机器学习与Web开发实践，满足用户赛前评估、进度追踪等需求。

目标用户

• 竞赛参与者：赛前评估状态、设定目标
• 算法学习者：追踪进度、分析薄弱环节
• 技术爱好者：学习全栈ML应用架构与特征工程

后端：FastAPI + TensorFlow

• 异步高性能框架，自动生成API文档
• 数据获取层抓取用户历史数据，含缓存策略
• 15维特征：基础统计、难度分布、竞赛历史、时间序列
• 模型结构：输入层→64单元ReLU→Dropout(0.3)→32单元ReLU→Dropout(0.2)→线性输出层

前端：React + 数据可视化

• React18+TypeScript+Tailwind CSS+Recharts
• 核心组件：搜索、仪表盘（趋势图/雷达图）、预测结果
• 响应式设计支持移动端与深色模式

数据处理

• 来源：LeetCode API、用户匿名数据、历史竞赛归档
• 流程：清洗→特征计算→标准化→时间窗口切分

训练配置

• 优化器Adam(0.001)、损失MSE、评估指标MAE/RMSE/R²
• 早停机制防止过拟合

性能

• 离线测试集RMSE约45分，R²约0.72
• 在线评估收集真实反馈与A/B测试

LeetCode Rating Predictor是优秀的全栈ML项目，展示深度学习与Web技术结合的实用价值。核心贡献：

1. 提供完整ML应用开发流程参考
2. 体现特征工程在实际问题中的重要性
3. 平衡模型性能与工程复杂度 对竞赛爱好者提供进步追踪工具，对技术学习者是实战案例

当前局限

• 数据依赖LeetCode接口，新用户数据不足
• 极端情况预测偏差大，功能解释性不足

未来改进

• 模型升级：LSTM/Transformer、图神经网络
• 功能扩展：推荐系统、学习路径规划
• 工程优化：特征平台、模型服务化（MLflow/Seldon）