本文目录导读：
关于足球等体育赛事预测中“主客场因素”的权重，开源项目并没有一个统一的固定数值，因为它高度依赖于运动项目、联赛特性、模型类型以及数据粒度，可以从几个主流开源项目和学术研究中归纳出大致的范围和方法论。
常见权重范围
在大多数开源预测模型（如基于Elo、泊松回归、XGBoost的足球预测项目）中，主场优势的权重通常体现为以下几种形式：
| 表现形式 | 典型取值 | 说明 |
|---|---|---|
| 主场胜率提升 | 约 +8% ~ +15% | 相比中立场地，主队胜率平均提升幅度 |
| Elo评分加成 | +50 ~ +100 分 | 主队Elo等效加成（如ClubElo、FiveThirtyEight） |
| 泊松模型进球期望乘数 | 主队 ×1~1.3，客队 ×8~0.95 | 调整主客队预期进球 |
| 逻辑回归特征权重 | 相对权重约 5%~15% | 相对于球队实力、近期状态等特征 |
典型开源项目做法
- FiveThirtyEight SPI（已开源部分方法论）：主场优势以固定Elo加成体现，足球约 +60~70分，篮球约 +100分（NBA主场优势更显著）。
- ClubElo / 足球Elo类项目：主场加成通常设为 +65~80 Elo分，对应胜率提升约10个百分点。
- Poisson回归类项目（如
soccerpredictor、penaltyblog）：主队进球期望乘以约 15~1.25，客队乘以 85~0.9，净效果约等于主场权重10%~15%。 - 机器学习特征重要性项目（Kaggle/ GitHub上的足球预测）：在包含球队实力、状态、伤病等特征时，主客场特征的相对重要性通常排在第3~5位，权重占比约 5%~12%。
关键影响因素
- 运动项目差异：NBA主场优势（约+3分净胜）比足球更显著；棒球主场优势较小。
- 联赛差异：英超主场优势约10~12%，而某些联赛（如地理跨度大、旅途疲劳重的联赛）更高。
- 疫情后变化：多项开源分析显示，2020年后空场/半空场期间主场优势显著下降（部分联赛降至接近0），之后部分恢复但未完全回到疫情前水平。
- 模型类型：Elo类模型把主场作为固定加成；贝叶斯/泊松模型把它作为参数估计；ML模型则让数据决定权重。
如果需要一个粗略参考值：在足球类开源预测项目中，主客场因素的权重通常被设定为 总预测信号的10%~15%，对应主队Elo加成 +60~80分 或进球期望乘数 15~1.25，但负责任的开源项目通常会从数据中估计该参数（如用历史主客场胜率差做贝叶斯更新），而非硬编码固定权重，因为该值随联赛和时间段显著变化。
