作者： Phosphen
編譯； Gans 甘斯，Bagel預測市場觀察
這個男人收集了過去43年所有職業網球比賽的數據，全部輸入一個機器學習模型，然後只問了一個問題：你能預測誰會贏嗎？
模型只回答了一個字：能。
隨後，它在今年的澳洲網球公開賽上，正確預測了116場比賽中的99場，準確率高達85%！
這是模型訓練中從未見過的賽事，它竟然連最終冠軍贏得的每一場比賽都預測對了。
這一切只用了一台筆記型電腦、免費的數據和開源的程式碼，出自@theGreenCoding之手。
接下來，我將完整拆解這個點石成金的項目，從原始資料到最終預測成功。這將是你見過的最令人印象深刻的AI + 預測成功案例。
起點：一個資料夾裡的43年網球數據
故事要從一份堪稱「體育數據聖杯」的資料集說起。
這份資料集涵蓋了1985年至2024年，ATP（男子職業網球總會）的每一場職業賽事紀錄。
破發點、雙誤、正手、反手、球員身高、年齡、排名、歷史交手記錄、比賽場地……ATP有史以來追蹤過的每一項逐分統計數據，應有盡有。
四十年的CSV文件，全部裝在一個資料夾裡。
當他打開完整資料集時,電腦直接崩潰了。
但他沒有放棄。針對資料集中的95,491場比賽,他額外計算了大量衍生特徵:
兩位球員的歷史交手記錄
年齡差、身高差
最近10場、25場、50場、100場比賽的勝率
一發得分率差值
破發點挽救率差值
一套從西洋棋借鏡的自訂ELO評分系統(關鍵點)
最終資料集:95,491行× 81列。
過去四十年的每一場職業網球賽事,配上數十個手工計算的特徵。
第二步：從泰坦尼克號借鏡的演算法
在將資料輸入分類器之前，他決定先徹底理解演算法的運作原理。為此，他用numpy 從零手寫了一個決策樹。
決策樹的工作方式類似推理遊戲——透過一系列問題逐步逼近答案。
為了說明這個概念，他選了一個完全不同的資料集：泰坦尼克號。
舉個例子：11 號乘客是否存活？
問題一：TA 在頭等艙嗎？ → 是的。
問題二：TA 是女性嗎？ → 是的。
預測結果：存活。
演算法如何決定問哪些問題？
它從所有資料出發，找到最能區分「存活」和「未存活」的單一變數。在泰坦尼克號資料中，答案是艙等等級。頭等艙乘客走一邊，其他人走另一邊。
但頭等艙也有人遇難，仍存在「不純度」。演算法繼續尋找下一個最佳分割點，性別。頭等艙女性全部存活，形成「純節點」，分支到此終止。
不斷重複這個過程，直到建立出一棵覆蓋所有情況的完整決策樹。
他的numpy 手寫版在小數據集上表現良好，但用在95,000 條網球比賽數據上時，速度慢得令人崩潰。於是在正式訓練階段，他切換到sklearn 的最佳化版本，邏輯相同，但快得多。
第三步：找出決定勝負的關鍵變數
在訓練模型之前，他先將所有變數兩兩繪製成一張巨大的散佈圖矩陣（SNS pairplot），尋找能夠區分勝者與敗者的規律。
大多數特徵都是噪音。球員ID顯然沒用。勝率差值雖然呈現出一些規律，但不夠明顯，無法支撐可靠的分類器。
只有一個變數遠超其他：ELO差值（ELO_DIFF）。
ELO_DIFF和ELO_SURFACE_DIFF的散點圖清楚地展示了兩個類別之間的分離程度，其他任何特徵都無法與之相比。
這項發現促使他建構了整個專案最核心的部分。
第四步：將西洋棋評分系統引入網球
ELO 是一套評估選手技術水準的方法，最早應用於西洋棋。目前國際象棋世界第一Magnus Carlsen 的評分是2833 分。
他決定將這套系統應用在網球上：
每位球員起始評分：1500 分
贏球：評分上升；輸球：評分下降
核心機制：得失分多少取決於與對手的得分差距擊敗高分對手，得分更多，輸給低分對手，扣分更重
他用2023 年溫布爾頓決賽示範這套公式：卡洛斯·阿爾卡拉斯(評分2063)對陣諾瓦克·德約科維奇(評分2120)，阿爾卡拉斯逆轉奪冠。
代入公式計算：阿爾卡拉斯+14 分，喬科維奇-14 分。
計算雖簡單，但應用在43 年歷史資料時，威力驚人。
第五步：三巨頭統治力的視覺化證明
他將費德勒整個職業生涯的ELO 分數繪製成曲線，從初登職業賽場到退役，每一場比賽都清晰記錄。
這條曲線完整展現了一段傳奇：早期的快速攀升、巔峰期（約第400 場比賽前後）的絕對統治，以及職業生涯後期的波動起伏。
但真正震撼的，是將費德勒與1985 年以來所有ATP 球員放在同一張圖上：
三條曲線高高矗立，遠超其他所有人－費德勒（綠）、納達爾（藍）、喬科維奇（紅）。
「大滿貫三巨頭」不只是一個稱號。當你將40 年的比賽數據視覺化後會發現，這種統治力在數學上清晰可見。
根據他的自訂ELO 系統，目前世界第一是雅尼克·辛納（2176 分），其次是德約科維奇（2096 分）和阿爾卡拉斯（2003 分）。
記住辛納排名第一這一點，這在後面至關重要。
第六步：場地是改變一切的變數
網球比賽的場地類型會徹底改變這項運動的面貌：
紅土：慢速，彈跳高
草地：快速，彈跳低
硬地：介於兩者之間
在某種場地呼風喚雨的球員，換個場地可能完全崩潰。
所以他為三種場地分別建立了ELO 評分：紅土、草地、硬地。
結果印證了每個網球迷心知肚明的事實，並以43 年的數據作為佐證：
納達爾在紅土上的巔峰評分，超過了費德勒在草地上的最高分，超過了喬科維奇在硬地上的最高分，超過了任何人在任何場地的歷史最高峰。
14 座法網冠軍，在羅蘭加洛斯112 勝4 敗。
ELO 公式不在乎敘事，不在乎名氣，它只處理勝負記錄。而它所得出的結論，和四十年的體育新聞報道完全一致。
第七步：遇到天花板
資料準備完畢，ELO 系統建置完成，他開始訓練分類器。這個過程完美地展示了演算法選擇的重要性。
決策樹：準確率74%
單棵決策樹在完整資料集上達到了74% 的準確率。聽起來不錯——直到你發現，單純用ELO 差值預測勝者，就能達到72%。
決策樹在他已經手動建立的評分系統基礎上，幾乎沒有帶來任何提升。
隨機森林：準確率76%
單棵決策樹的問題在於「高方差」──它對訓練時剛好選到的資料子集過於敏感。標準解法是隨機森林：建立數十棵甚至上百棵決策樹，每棵用不同的隨機資料子集和特徵子集訓練，最後透過多數票決定預測結果。
94 棵各不相同的決策樹，共同為每場比賽投票。
結果是76%。有所提升，但他撞上了天花板。無論怎麼調整超參數、重新設計特徵、折騰數據，準確率就是過不了77%。
第八步：突破天花板
接著他嘗試了XGBoost——他稱之為「隨機森林的類固醇版本」。
核心差異在於：隨機森林並行建樹後取平均，而XGBoost串列建樹－每棵新樹專門修正前面所有樹的錯誤。它引入了正則化防止過擬合，並刻意保持每棵樹的小規模，避免死記硬背訓練資料。
結果：準確率85%。
相較於隨機森林76%的天花板，這是巨大的突破。同樣的數據，同樣的特徵，唯一改變的是演算法。
XGBoost同樣認為最重要的三個特徵是：ELO差值、場地專案ELO差值、整體ELO。這套從西洋棋借來的評分系統，在81列特徵中被驗證為最強預測因子。
作為對比，他用同樣的數據訓練了一個神經網絡，準確率83%。雖然不錯，但仍輸給XGBoost。在這個資料集上，基於樹的方法獲勝。
第九步：決戰時刻－2025 年澳洲網球公開賽
以上所有內容，都基於2024 年12 月之前的資料訓練。
2025 年1 月的澳洲網球公開賽完全不在訓練集中，這使它成為完美的測試場：模型究竟掌握了網球的真正規律，還是只會記憶歷史模式?
他將完整的賽事簽表輸入模型，讓它預測每一場比賽。
結果：116 場比賽中正確預測99 場，僅失誤17 場。準確率85.3%。
最關鍵的預測：模型準確預測了辛納(那個ELO 系統排名全球第一的球員)在整屆賽事中的每一場勝利。
在第一顆球落地之前，AI 就預測了大滿貫冠軍。
結語
一個人，一台筆記型電腦，沒有專有數據，沒有昂貴的基礎設施，沒有研究團隊——就建立了一套職業網球預測模型，準確率高達85%，並在賽事開始前預測出了大滿貫冠軍。
網球數據就在GitHub 上，完全可重現。
創造奇蹟，從未像今天這樣觸手可及。
真正的差距不在資源，而是你願不願意去做。
