基于机器学习的MLB棒球比赛预测系统：从数据抓取到智能预测的全流程实践

本项目是由Roman Esquibel开发的生产级MLB比赛预测系统，通过整合实时Statcast数据、历史球队/球员表现、投手趋势及近期球队动量等多源数据，构建端到端自动化机器学习管道，生成每日比赛获胜概率预测。系统涵盖数据抓取、特征工程、模型训练与预测输出全流程，可应用于体育博彩决策、球队分析、教育等场景，具有模块化、无数据泄露、全自动化等特点。

在职业体育领域，数据驱动的预测已成为球队管理、媒体分析和体育博彩行业的重要工具。MLB作为数据最丰富的体育联盟之一，其Statcast系统每秒记录数十万个数据点，为机器学习模型提供了基础。本项目旨在构建可扩展、智能化的生产级预测系统，以较高准确度预测每日MLB比赛胜负，支持体育博彩决策、球队表现分析及棒球教育等场景。

系统为端到端自动化机器学习管道，核心能力包括：

• 数据获取层: 从MLB官网抓取赛程、Statcast API获取过去30天逐球数据、球队近期战绩及Baseball Reference历史结果；
• 特征工程层: 转化原始数据为投手（平均球速、旋转率、三振数等）、击球手（平均击球初速、本垒打数等）、球队状态（近期胜负、得分差异等）特征；
• 模型层: 使用随机森林分类器预测主队获胜概率，输出CSV结果含获胜概率与投注建议。

技术模块包括：

• 数据抓取: scrape_matchups.py（当日赛程）、scrape_statcast.py（30天逐球数据）、scrape_team_form_mlb.py（球队状态）、scrape_game_results.py（历史结果）；
• 特征构建: build_pitcher_stat_features.py（投手特征）、build_batter_stat_features.py（击球手特征）、map_batter_ids.py（ID匹配）；
• 模型训练: historical_main_features.py构建无数据泄露的训练集，train_model.py训练随机森林模型，评估指标：准确率92.4%、MAE 0.076、MSE 0.076、MAPE 7.58%；
• 自动化: run_daily_pipeline.py自动完成从数据抓取到预测输出全流程。

输出CSV含比赛日期、主客队、获胜概率、推荐结果（主队概率>0.5则推荐主队）。实际测试中模型准确率约64%，优于简单基准（53-55%）及ESPN Elo模型（58-62%）、FiveThirtyEight模型（58-62%）等公开系统，处于上层梯队。

系统应用场景包括：

• 体育博彩决策支持：提供数据驱动投注建议；
• 比赛模拟与预测：助力媒体分析与前瞻；
• 球员表现追踪：识别状态趋势；
• 球队实力可视化：生成对比图表；
• 教育与研究：作为完整机器学习项目参考。

项目规划改进包括：

• 数据扩展: 整合天气、球场因素、伤病报告、阵容变化等；
• 模型升级: 尝试深度学习（LSTM、XGBoost）、集成学习、添加置信区间；
• 部署交互: 开发实时仪表板（Streamlit）、自动提醒、API服务。