NCAA March Madness 2026: Predicción Probabilística del Torneo

🏀 NCAA March Madness 2026: Predicción Probabilística del Torneo

📋 Resumen Ejecutivo

Sistema de machine learning para predecir resultados del torneo NCAA March Madness 2026. El modelo genera 132,133 predicciones probabilísticas para todos los enfrentamientos posibles entre equipos masculinos y femeninos, minimizando el Brier Score.

Stack tecnológico: Python, pandas, scikit-learn, LightGBM, Optuna
Duración del proyecto: 1 día
Repositorio: GitHub

🎯 Problema de Negocio

La predicción de resultados deportivos presenta alta incertidumbre debido a múltiples factores: rendimiento histórico, estadísticas avanzadas, momentum reciente y contexto del partido. El objetivo es generar probabilidades fiables que permitan minimizar el error de predicción medido por Brier Score.

Métrica principal: Brier Score (menor es mejor)
Target: Probabilidad de victoria para cada par de equipos

📊 Dataset

Origen Descripción Registros
Kaggle Competición NCAA March Madness 2026 -
MRegularSeasonCompactResults Partidos temporada regular masculino 134,088
WRegularSeasonCompactResults Partidos temporada regular femenino 115,116
MMasseyOrdinals Rankings externos ~6M
MNCAATourneySeeds Semillas del torneo 1,984
M/WRegularSeasonDetailedResults Estadísticas avanzadas 85,000+

Rango temporal: 1985-2026
Features utilizadas: 78 (ELO, Massey, stats, momentum, seeds, advanced)

⚙️ Pipeline de Machine Learning

1. Feature Engineering

Feature Descripción Tipo
Elo Ratings Rating histórico con ajuste por margen Numérico
Massey Ordinals Rankings externos (mean, median, latest) Numérico
Team Stats Win rate, puntos, margen Numérico
Momentum Victoria en últimos 10 partidos Numérico
Seeds Semillas del torneo (1-16) Numérico
Advanced Stats FG%, rebotes, AST/TO, blk/PF Numérico

2. Modelado

Modelo seleccionado: LightGBM

Parámetros optimizados:
- n_estimators: 278
- learning_rate: 0.058
- max_depth: 4
- num_leaves: 56
- min_child_samples: 44
- subsample: 0.65
- colsample_bytree: 0.95

Estrategia de validación: Walk-forward validation (entrenamiento en seasons 2010-2024, validación en 2025)

Calibración: Isotonic regression para ajustar probabilidades

3. Arquitectura

Input (matchup features)
    ↓
Difference features (team1 - team2)
    ↓
LightGBM Classifier
    ↓
Isotonic Calibration
    ↓
Probability Output [0.01, 0.99]

📈 Resultados

Métricas de Validación

Métrica Masculino (M) Femenino (W)
Log Loss 0.4743 0.3109
Brier Score ~0.203 ~0.203
ROC-AUC TBD TBD

Predicciones

Métrica Valor
Total predictions 132,133
Masculino 66,430
Femenino 65,341
Fallback (0.5) 362
Predicción media 0.506
Rango [0.01, 0.99]

Interpretación del Brier Score: Un valor de ~0.20 indica que las predicciones están razonablemente calibradas. Para referencia, un modelo que predice 0.5 para todos tendría Brier Score de 0.25.

🔒 Validación de Data Leakage

Se verificó exhaustivamente que no exista data leakage:

  • ✅ Features usan solo datos con DayNum <= 136 (pre-torneo)
  • ✅ No se usa información de partidos del tournament para features
  • ✅ Seeds son información conocida antes del tournament
  • ✅ Massey rankings hasta RankingDayNum <= 133

💡 Limitaciones

  1. Sin información contextual: El modelo no considera lesiones, viajes, descansos
  2. Features limitadas: No se incluyeron head-to-head history, factores psicológicos
  3. Datos limitados: Solo temporada regular hasta día 136
  4. Un solo modelo: No se implementó ensemble de múltiples modelos

🚀 Mejoras Futuras

  1. Feature engineering adicional:
    • Head-to-head histórico entre equipos
    • Forma reciente (últimos 5-10 partidos)
    • Estadísticas por conferencia
  2. Modelos ensemble:
    • Combinar LightGBM + XGBoost + Logistic Regression
    • Meta-learner para optimización de pesos
  3. Cross-validation más robusta:
    • Leave-seasons-out validation
  4. Explicabilidad:
    • SHAP values para interpretar predicciones

🛠️ Tech Stack

  • Lenguaje: Python 3.10+
  • Data: pandas, numpy
  • ML: scikit-learn, LightGBM, Optuna
  • Visualización: matplotlib, seaborn, Jupyter
  • Testing: pytest

📁 Estructura del Proyecto

Featured_Prediction_Competition/
├── src/
│   ├── pipeline.py              # Pipeline principal
│   ├── data/loaders.py         # Carga de datos
│   ├── features/               # Feature engineering
│   │   ├── elo.py
│   │   ├── massey.py
│   │   ├── team_stats.py
│   │   ├── momentum.py
│   │   ├── seeds.py
│   │   └── advanced_stats.py
│   └── models/ensemble.py      # Modelo ensemble
├── tests/                      # Tests unitarios
├── outputs/
│   ├── ncaa_prediction_analysis.ipynb  # Análisis visual
│   └── submission.csv            # Archivo final
├── README.md
└── CHANGELOG.md

🔗 Enlaces