본 연구는 2025년 NCAA 1부 남녀 농구 토너먼트 결과 예측을 위해 심층 학습 방법론을 활용합니다. 역사적인 NCAA 경기 데이터를 활용하여 LSTM과 Transformer라는 두 가지 정교한 시퀀스 기반 모델을 구현했습니다. 일반화 선형 모델(GLM)에서 파생된 팀 품질 지표, Elo 등급, 시드 차이, 집계된 박스 스코어 통계를 포함한 포괄적인 특징 엔지니어링을 통해 모델의 예측력을 향상시켰습니다. 예측의 강건성과 신뢰성을 평가하기 위해 이진 교차 엔트로피(BCE)와 브라이어 손실 함수를 모두 사용하여 각 모델 변형을 훈련시켰으며, 분류 성능과 확률 보정에 대한 통찰력을 제공합니다. 비교 분석 결과, BCE로 최적화된 Transformer 구조가 우수한 판별력(AUC 0.8473)을 보이는 반면, 브라이어 손실로 훈련된 LSTM 모델은 우수한 확률 보정(브라이어 점수 0.1589)을 보임을 알 수 있었습니다. 이러한 결과는 예측 작업의 특정 요구 사항에 따라 적절한 모델 구조와 손실 함수를 선택하는 것이 중요함을 강조합니다. 여기서 제시된 자세한 분석 파이프라인은 스포츠 분석 및 그 이상의 미래 예측 모델링 작업을 위한 재현 가능한 프레임워크 역할을 합니다.
