用途：在体育预测项目中建立并评估简单基线，避免在花哨模型无法击败简单基线时误判为进步。适用于启动预测项目、审计看似漂亮的 ML 结果、构建首个可保留模型，以及比较 form、Elo 与常数基线。
主要能力：定义基线阶梯。Tier A 为训练折胜率或目标均值常数基线；Tier B 为仅主场 logistic 或主场平均分差；Tier C 为在主场与合法 form 差分上的 logistic 或线性模型；Tier D 为评分差分 logistic 或线性。提供 run_baselines.py（比较常数与正则化 logistic 的走步式扩展折）和 home_only_baseline.py（汇总主客场率与连续性校正描述性优势比，非拟合的走步预测器）。
使用方式：需安装 pandas、NumPy、scikit-learn；命令为 python -m pip install pandas numpy scikit-learn。读取 Parquet 需 pyarrow 或 fastparquet。示例：python /path/to/baseline-models/scripts/run_baselines.py --input games.csv --target won --split-col season --features is_home,rating_diff,rest_diff --id-cols game_id,team --out baseline-folds.json --predictions-out baseline-predictions.csv。--min-train-groups 默认 2，季次 2022、2023、2024 时仅测 2024，设为 1 可测 2023。结果可交接校准：python /path/to/calibration-check/scripts/calibration_report.py --input baseline-predictions.csv --target y_true --probability p_pred --group-col season --out calibration.json。
适用场景：NFL/NBA/MLB 等比较 form、Elo 与常数；判断候选模型增量是否稳定且实际有意义。
限制：不执行插补，缺失目标、拆分或特征的整行从两个候选中排除并计数。home_only_baseline.py 为汇总描述性推断，单独使用不能证明预测泛化。跨运动主张需按运动单独评估，不可假定可迁移。公开资料未提供价格、平台及更多细节。