用途：在用户自有的建模表上，按锁定的时间顺序评估流程，拟合并对比体育预测候选模型，判断机器学习是否真正优于诚实基线。适用于预测比赛胜负、分差或由比分衍生的目标，构建球员/球队预测模型，以及对比机器学习模型与逻辑回归、评分基线。
主要能力：管理模型阶梯（常数基线、主场或评分基线、逻辑回归/线性、直方图梯度提升等），按任务给出指标建议（分类主用log-loss，辅以Brier与校准；回归主用MAE，辅以RMSE与偏差；排序用Spearman或成对准确率），提供按折局部拟合流程，以及候选模型的保留/拒绝规则。附带泄漏快速检查脚本与滚动折对比脚本。
使用方式：需先有写明的建模契约（目标、粒度、决策时间T、主指标、折单位、合格人群）和合法特征。安装依赖：python -m pip install pandas numpy scikit-learn，Parquet输入还需pyarrow或fastparquet。泄漏快速检查：python /path/to/predictive-modeling/scripts/leakage_smoke.py --input modeling_table.csv --target won --features is_home,rating_diff,rest_diff。滚动折对比：python /path/to/predictive-modeling/scripts/run_fold_table.py --input modeling_table.csv --target won --split-col season --features is_home,rating_diff,rest_diff --min-train-groups 2 --id-cols game_id,team --out model-folds.json --predictions-out held-out-predictions.csv。该脚本在同一扩展折上对比训练折事件率常数、正则化逻辑回归与直方图梯度提升，输出建模契约、验证设计、候选阶梯、每折指标与均值，以及行级留出预测。
适用场景：赛季滚动训练、胜负或二分类预测、球员/球队历史面板建模、机器学习与基线对比。
限制：本技能不负责项目章程、数据加载、EDA、特征合法性审查或结果报告，需使用其他技能。必须使用时间顺序滚动验证，不能对赛季随机K折；不得使用比赛内信息作为赛前特征；不得在训练+测试上共同拟合缩放器或编码器；不得在最终测试季上调参；缺失特征用折内中位数填补，若训练折中某特征全缺失则停止；该脚本不实现回归、排序、神经网络、编码或调参流程，也不认证数据无泄漏。分类结果需另行做校准与解释。资料未提供收费、价格或平台信息。