Non Symmetric XGBoost， 网球比赛预测

问：

我正在开发一种算法来预测网球比赛的结果，重点是球员的对决。我的模型的核心是 XGBoost 分类器。我在预测中遇到了一个令人费解的问题，我希望从这个社区获得一些见解。

问题：该算法旨在预测玩家 （player1） 击败对手 （player2） 的可能性。我们的数据集最初将所有获胜者标记为“player1”。为了平衡数据集并适应两种视角（player1 为赢家，player2 为赢家），我在训练集和测试集中复制和反转了匹配项。期望是翻转玩家应该反向翻转预测（例如，如果玩家 1 有 70% 的机会获胜，那么交换行中的玩家 2 也应该有 70% 的机会）。但是，预测并未按预期进行调整。

示例问题：以涉及“Lorenzo Giustino”的预测为例。在一个场景（第 100 行）中，模型预测 Giustino 获胜的概率为 99%。但是，当匹配反转（第 101 行）时，概率变为 46%，这是一个显著且意想不到的差异。示例数据集

我正在寻求以下方面的指导：为什么会出现这种差异，尤其是如此严重的差异？XGBoost 模型或数据准备过程是否有任何特定方面是我可能忽略的？任何见解或建议将不胜感激。