日韩精品一区二区三区在线视频放-无码中文字幕V?一区二区-成年片免费观看视频-国内少妇人妻丰满av-国产精品中文字幕免费观看-亚洲成人久久一区二区三区-国内少妇偷人精品视频无缓冲-一区二区国产精品日本一区二区三区在线网

ARTICLE DETAIL

資訊詳情

深耕商務(wù)建站與企業(yè)官網(wǎng)運營的一線實戰(zhàn)洞察。

NBA比賽結(jié)果預(yù)測:從數(shù)據(jù)獲取到模型調(diào)參的完整Python機器學(xué)習(xí)實戰(zhàn)指南

NBA比賽結(jié)果預(yù)測:從數(shù)據(jù)獲取到模型調(diào)參的完整Python機器學(xué)習(xí)實戰(zhàn)指南 簡介面向Python課程設(shè)計與機器學(xué)習(xí)實踐場景這份資源以美職籃NBA比賽數(shù)據(jù)為切入點實現(xiàn)了從爬蟲采集、數(shù)據(jù)清洗到智能預(yù)測的比賽結(jié)果分析流程。項目取材真實賽季數(shù)據(jù)涵蓋球隊場均統(tǒng)計、對手數(shù)據(jù)、賽程安排與歷史交鋒結(jié)果等多維信息適合高校學(xué)生用于學(xué)期答辯、大作業(yè)或課程設(shè)計展示也適合希望快速上手數(shù)據(jù)采集與建模的初學(xué)者參考。壓縮包共有十一個文件以六個數(shù)據(jù)文件、四個腳本文件和一個說明文檔為主整體大小約三百一十一KB。其中數(shù)據(jù)文件分別存放球隊常規(guī)賽統(tǒng)計、對手常規(guī)賽統(tǒng)計、歷史賽程與比賽結(jié)果腳本文件覆蓋爬蟲抓取與機器學(xué)習(xí)模型訓(xùn)練及預(yù)測說明文檔則整理了項目背景、設(shè)計思路、模塊劃分和運行步驟。該方案曾獲學(xué)期優(yōu)秀項目評選代碼結(jié)構(gòu)清晰、數(shù)據(jù)資料齊備可直接運行復(fù)現(xiàn)預(yù)測結(jié)果也便于后續(xù)擴展算法或更換數(shù)據(jù)源。目前已有一千四百六十二人學(xué)習(xí)是完成課程設(shè)計或入門賽事數(shù)據(jù)分析的實用資源。1. 把NBA比賽結(jié)果預(yù)測當(dāng)課程設(shè)計為什么說這是新手最友好的機器學(xué)習(xí)項目NBA比賽結(jié)果預(yù)測是Python課程設(shè)計里少有的數(shù)據(jù)、算法、業(yè)務(wù)三頭都占的實戰(zhàn)選題。它不需要深度學(xué)習(xí)傳統(tǒng)機器學(xué)習(xí)模型就能把準確率做到60%以上但數(shù)據(jù)獲取、特征構(gòu)造、評估方式到處是坑足夠你學(xué)到東西。在機器學(xué)習(xí)實戰(zhàn)項目案例里這個題目的好處是入門順滑、天花板也夠高。很多同學(xué)做完后發(fā)現(xiàn)真正決定成績的不是模型多高級而是數(shù)據(jù)預(yù)處理和特征工程做沒做干凈。這個題目恰好能把Python爬蟲、pandas數(shù)據(jù)處理、scikit-learn建模和可視化完整串一遍非常適合剛?cè)腴T機器學(xué)習(xí)、想補機器學(xué)習(xí)基礎(chǔ)、又想做真實項目的初學(xué)者。NBA比賽數(shù)據(jù)完全公開免費接口無需注冊比申請權(quán)限的數(shù)據(jù)集友好得多。下文方案基于nba_api加pandas加scikit-learn的經(jīng)典組合全程本地跑通不需要GPU每段代碼都附參數(shù)說明和踩坑記錄。2. 獲取NBA比賽數(shù)據(jù)nba_api 拉取與本地落地的完整方案2.1 選型理由為什么第一選擇是 nba_api 而不是現(xiàn)成CSV先說結(jié)論課程設(shè)計階段直接用 nba_api 這個第三方庫拉數(shù)據(jù)比去 Kaggle 下載現(xiàn)成 CSV 更值得做。原因有三個。第一現(xiàn)成 CSV 的截止日期是固定的你拿到手的可能是上個賽季的數(shù)據(jù)沒法覆蓋最新比賽。課程設(shè)計答辯時老師大概率會問你這套流程能不能預(yù)測明天的比賽如果你用的是一份去年的靜態(tài)數(shù)據(jù)這個問題會非常尷尬。用接口拉數(shù)據(jù)代碼一跑就是最新賽程。第二拉數(shù)據(jù)的過程本身就是評分點。Python課程設(shè)計的評分標準里通常有工作量這一項能展示一個從網(wǎng)絡(luò)獲取數(shù)據(jù)的完整環(huán)節(jié)比單純讀CSV文件的工作量要扎實得多。你可以順帶在文檔里寫清楚請求流程、解析邏輯和異常處理體現(xiàn)的是從爬取到存儲的完整閉環(huán)。第三nba_api 封裝的是 NBA 官網(wǎng) stats.nba.com 的公開接口免費、無需注冊、無需API key對校園網(wǎng)絡(luò)環(huán)境也比較友好。相比去爬第三方統(tǒng)計網(wǎng)站官方接口的可靠性要高不少也不會遇到網(wǎng)站改版導(dǎo)致解析規(guī)則失效的問題。當(dāng)然nba_api 有個前提你得先把Python環(huán)境裝好。給新手的建議是直接用 Anaconda 裝 Python 3.x然后把 conda 和 pip 的默認源都切成國內(nèi)鏡像裝包速度會快很多。裝完在終端里跑 python --version 確認版本再 pip install nba_api pandas scikit-learn xgboost matplotlib機器學(xué)習(xí)常用包就這么齊了。如果你用 vscode 寫代碼記得在右下角把解釋器切成 conda 環(huán)境不然容易遇到終端里能 import、vscode 里 import 報錯的經(jīng)典問題。2.2 最小可用代碼拉取近五個賽季的常規(guī)賽日程與比分nba_api 的核心用法是先構(gòu)造一個端點對象再調(diào)它的 get_data_frames() 方法拿回 DataFrame。最常見的入口是 leaguegamefinder它返回每一支球隊在指定范圍內(nèi)的所有歷史比賽記錄每條記錄是一行包含球隊、對手、比分、主客場、賽季、比賽日期等幾十個字段。下面這段代碼拉取近五個賽季所有常規(guī)賽的比賽日程和最終比分import pandas as pd from nba_api.stats.endpoints import leaguegamefinder def fetch_games(season_start2020, season_end2024): frames [] for season in range(season_start, season_end 1): # 每個賽季單獨拉取避免單次請求數(shù)據(jù)量過大被接口限流 season_str f{season}-{str(season 1)[-2:]} finder leaguegamefinder.LeagueGameFinder( season_nullableseason_str, season_type_nullableRegular Season ) df finder.get_data_frames()[0] frames.append(df) print(f賽季 {season_str} 拉取完成{df.shape[0]} 行) result pd.concat(frames, ignore_indexTrue) return result games fetch_games() games.to_csv(nba_games_raw.csv, indexFalse) print(games.shape)這段代碼的邏輯很直接循環(huán)遍歷每一個賽季構(gòu)造 LeagueGameFinder 請求對象用 get_data_frames() 把響應(yīng)解析成 DataFrame最后合并保存為CSV。幾個參數(shù)要說明參數(shù)取值示例含義season_nullable2020-21賽季字符串格式必須是帶橫杠的2020-21season_type_nullableRegular Season賽事類型常規(guī)賽季后賽填 Playoffsleague_id_nullable00默認就是NBA一般不用動timeout30單個請求的最大等待秒數(shù)防卡死注意一個重要細節(jié)leaguegamefinder 返回的是球隊視角的數(shù)據(jù)也就是說一場比賽會出現(xiàn)兩行——主隊一行、客隊一行。字段里 matchup 列能看出是 ATL vs BOS 還是 BOS ATL 表示客場。做特征工程之前必須先按 GAME_ID 去重或配對這個后面特征章節(jié)會細說。接口返回的字段里GAME_ID 是比賽唯一標識GAME_DATE 是比賽日期字符串TEAM_ID 是球隊IDPTS 是這支球隊本場得分PLUS_MINUS 是凈勝分FG_PCT 是投籃命中率REB、AST、TOV 分別是籃板、助攻、失誤。一次拉五個賽季的數(shù)據(jù)量在一萬行上下完整跑完大約一到兩分鐘速度完全可以接受。2.3 數(shù)據(jù)落地CSV 與 SQLite 怎么選數(shù)據(jù)落地方式我一般分兩種情況。如果只是課程設(shè)計數(shù)據(jù)量在幾萬行以內(nèi)直接存CSV就夠了老師拷貝你的代碼和CSV文件就能復(fù)現(xiàn)。如果你打算長期維護、每周更新數(shù)據(jù)或者想在文檔里體現(xiàn)一點數(shù)據(jù)庫能力用 SQLite 更合適零配置、單文件、Python 內(nèi)置 sqlite3 即可讀寫不用額外裝 MySQL。存CSV時有一個坑nba_api 返回的某些列含有特殊字符直接用默認 to_csv 沒問題但用 Excel 打開中文列名可能出現(xiàn)亂碼。保存時我習(xí)慣把編碼指定為 utf-8-sig這樣 Excel 雙擊打開也不會亂碼讀取時如果遇到解析錯誤大概率是某行數(shù)據(jù)里有多余的逗號或引號用 on_bad_linesskip 就能兜底。如果你選 SQLite建表時不要照搬所有列挑實際會用到的字段建表就行。下面這段代碼把數(shù)據(jù)寫入 SQLite并給 game_id 和 team_id 建了聯(lián)合唯一索引import sqlite3 conn sqlite3.connect(nba_games.db) cur conn.cursor() # 建表只保留特征工程會用到的核心字段 cur.execute( CREATE TABLE IF NOT EXISTS games ( game_id TEXT, team_id INTEGER, team_abbreviation TEXT, matchup TEXT, game_date TEXT, pts INTEGER, plus_minus INTEGER, home_away TEXT, season TEXT, PRIMARY KEY (game_id, team_id) ) ) # 寫入前先重命名列為干凈的小寫格式 columns [GAME_ID, TEAM_ID, TEAM_ABBREVIATION, MATCHUP, GAME_DATE, PTS, PLUS_MINUS, HOME_AWAY, SEASON] games[columns].to_sql( games, conn, if_existsreplace, indexFalse) conn.commit() conn.close() print(SQLite 寫入完成)這里用 PRIMARY KEY (game_id, team_id) 做聯(lián)合主鍵能防止重復(fù)拉取時插入重復(fù)數(shù)據(jù)。后續(xù)做增量更新時可以先查詢當(dāng)前庫里最大的 game_date只拉那之后的比賽再把新數(shù)據(jù)以 if_existsappend 追加進去不用每次全量重跑。to_sql 是 pandas 自帶的數(shù)據(jù)庫寫入方法很適合新手需要注意 DataFrame 列名如果有空格或特殊符號建表時會很麻煩所以寫入前先重命名成干凈的小寫列名最省事。2.4 請求頻率與異常處理限速、超時和重試nba_api 雖然封裝得不錯但底層還是去請求 stats.nba.com 的 HTTP 接口。如果把它當(dāng)成隨便調(diào)的接口連續(xù)快速請求幾十次就會收到 429 狀態(tài)碼也就是請求過于頻繁被限流。這不是封IP但會讓循環(huán)中斷。我的經(jīng)驗是兩個約束同時加一是每次請求之間 sleep 至少 0.5 到 1 秒二是設(shè)置超時和重試機制遇到 429 或 5xx 錯誤就等幾秒再重試。下面是一段加了重試邏輯的拉取函數(shù)import time import requests from nba_api.stats.endpoints import leaguegamefinder def fetch_with_retry(season_str, max_retries4): for attempt in range(max_retries): try: finder leaguegamefinder.LeagueGameFinder( season_nullableseason_str, season_type_nullableRegular Season, timeout30 ) return finder.get_data_frames()[0] except requests.exceptions.HTTPError as e: # 429是限流5xx是接口臨時出錯都值得重試 wait 2 ** attempt 1 print(f請求失敗({e}){wait}秒后重試) time.sleep(wait) raise RuntimeError(f賽季 {season_str} 拉取失敗) for season in range(2020, 2025): season_str f{season}-{str(season 1)[-2:]} df fetch_with_retry(season_str) time.sleep(1.0)幾個細節(jié)說明。timeout30 表示單個請求最多等30秒防止網(wǎng)絡(luò)卡死導(dǎo)致程序掛在那里。重試的等待時間用 2^n 1 這種指數(shù)退避第一次失敗等3秒第二次等5秒第三次等9秒給服務(wù)端留出恢復(fù)的時間。還有一個容易被忽略的問題有的校園網(wǎng)出口會攔截帶特定 UAUser-Agent的請求。如果發(fā)現(xiàn) nba_api 一直在報連接錯誤或 SSL 錯誤先別急著懷疑代碼檢查一下系統(tǒng)網(wǎng)絡(luò)設(shè)置或者換個網(wǎng)絡(luò)環(huán)境再試一次。遇到存疑的報錯把完整異常棧貼到搜索引擎里按報錯關(guān)鍵詞搜通常比盲改代碼高效得多——這是這個項目里最典型的不確定是代碼問題還是網(wǎng)絡(luò)問題的場景。3. 特征工程決定準確率的不是模型而是這四步數(shù)據(jù)加工3.1 先定預(yù)測目標預(yù)測勝負還是預(yù)測分差動手寫模型之前第一件事是把預(yù)測目標定死。NBA比賽結(jié)果預(yù)測一般有兩種定義方式一是二分類預(yù)測主隊贏還是客隊贏二是回歸預(yù)測分差。課程設(shè)計我建議選二分類理由很實際二分類的評估指標準確率、AUC對新手來說好解釋答辯時一句模型對未知比賽預(yù)測準確率達到62%就夠直觀回歸任務(wù)要考慮分差預(yù)測誤差解釋起來繞而且分差分布離散模型很難學(xué)出有效規(guī)律。如果你非要做回歸也可以把回歸預(yù)測的分差轉(zhuǎn)成勝負標簽比如預(yù)測分差大于0就判主隊勝。這樣做的好處是多一個中間量壞處是誤差會疊加。建議主線做二分類把回歸當(dāng)作補充實驗寫進文檔對比兩種建模方式的結(jié)果這反而是加分項。目標變量生成時有一個新手常犯的錯誤直接把原始數(shù)據(jù)里的 WL勝負字段當(dāng)標簽。還記得前面說過 leaguegamefinder 返回的是球隊視角的數(shù)據(jù)嗎同一場比賽有兩行客隊那行的 WL 是客隊的勝負。如果不做配對直接喂給模型模型就學(xué)到看自己球隊的勝負去預(yù)測自己球隊的勝負這種作弊邏輯。正確的做法是按 GAME_ID 把一場比賽的兩行合并成一行主隊一列、客隊一列標簽是主隊是否獲勝。3.2 滾動均值特征近五場和近十場統(tǒng)計怎么算才不算錯特征工程里最有價值的特征組是兩支球隊各自最近N場比賽的表現(xiàn)統(tǒng)計業(yè)界叫滾動均值rolling average。它背后的假設(shè)很樸素一支球隊近期的進攻效率和防守效率最能反映它下一場可能的發(fā)揮。計算滾動均值最核心的一點只能用比賽日之前的數(shù)據(jù)絕不能用之后的數(shù)據(jù)。舉個例子預(yù)測1月15日的比賽只能用截至1月14日的比賽統(tǒng)計如果1月15日當(dāng)天或之后的比賽混進滾動窗口就造成數(shù)據(jù)泄漏訓(xùn)練準確率虛高好幾個點實戰(zhàn)預(yù)測卻崩盤。實現(xiàn)時先按 TEAM_ID 和 GAME_DATE 排序再對每支球隊單獨算最近5場和最近10場的滾動均值。下面這段代碼是完整實現(xiàn)# 先按球隊和日期排序保證滾動窗口的順序正確 games pd.read_csv(nba_games_raw.csv) games[GAME_DATE] pd.to_datetime(games[GAME_DATE]) games games.sort_values([TEAM_ID, GAME_DATE]).reset_index(dropTrue) # 要計算滾動均值的統(tǒng)計列 stat_cols [PTS, PLUS_MINUS, FG_PCT, REB, AST, TOV] for col in stat_cols: for window in [5, 10]: # 先按球隊分組計算滾動均值 roll ( games.groupby(TEAM_ID)[col] .rolling(window, min_periods1) .mean() .reset_index(level0, dropTrue) ) # shift(1) 把均值整體下移一行 # 讓第k行不再包含第k場自己的數(shù)據(jù)這是防泄漏的關(guān)鍵 games[f{col}_roll{window}] roll.groupby(games[TEAM_ID]).shift(1) print(games[[TEAM_ID, GAME_DATE, PTS, PTS_roll5, PTS_roll10]].head(20))注意沒有 shift(1) 的滾動均值等于把本場比賽的數(shù)據(jù)喂給了本場比賽這是整個項目最隱蔽的數(shù)據(jù)泄漏點務(wù)必檢查。這段代碼有兩個關(guān)鍵點。第一groupby(TEAM_ID).rolling(window).mean() 在分組內(nèi)部計算滾動均值窗口是5場或10場互不干擾。第二shift(1) 是防止數(shù)據(jù)泄漏的心臟它把計算結(jié)果整體下移一行這樣第k行存的是第k-1場及之前窗口內(nèi)的均值當(dāng)前場比賽本身不參與自己的特征計算。為什么 min_periods1 而不是默認的 window因為賽季初的前幾場比賽不夠湊滿窗口。設(shè)成 window 的話賽季前4場的特征全是空值要么刪樣本要么手工填充設(shè)成1表示至少有一場比賽就開始算均值缺點是賽季初期特征偏小、波動大但至少模型有特征可用。認真一點的做法是用上一賽季的均值回填賽季前幾場課程設(shè)計階段不必做這么細。3.3 賽程特征休息天數(shù)、背靠背和主場優(yōu)勢怎么編碼滾動均值之外還有三類特征在NBA預(yù)測里被反復(fù)驗證有效休息天數(shù)、背靠背標記、主場優(yōu)勢。休息天數(shù)指距離上一場比賽隔了多少天。NBA常規(guī)賽幾乎每天都有比賽強隊一個賽季要打多次背靠背連續(xù)兩天比賽球員體能差異會直接影響比賽結(jié)果。計算方式是把同一支球隊的比賽按日期排序然后算相鄰兩場比賽的日期差。背靠背是個0/1標記表示該隊這場比賽的前一天是否也有比賽。注意背靠背還要區(qū)分主客場如果是客場打完再趕去下一個客場影響更大如果是連續(xù)兩個主場影響相對小。課程設(shè)計階段做一版簡化的0/1標記就夠了想認真雕琢可以拆成背靠背且客場和背靠背且主場兩個特征。主場優(yōu)勢是從 matchup 字段里解析出來的包含 表示客場否則是主場。這個特征在模型里通常系數(shù)顯著為正說明主場優(yōu)勢對NBA比賽結(jié)果有真實影響。下面這段代碼把這三類賽程特征一次性生成# 從 matchup 解析主客場包含 表示客場 games[is_home] games[MATCHUP].apply(lambda x: not in x) # 每支球隊的上一場比賽日期用于推算休息天數(shù)和背靠背 games games.sort_values([TEAM_ID, GAME_DATE]) games[prev_game_date] games.groupby(TEAM_ID)[GAME_DATE].shift(1) games[rest_days] (games[GAME_DATE] - games[prev_game_date]).dt.days # 背靠背距離上一場正好1天 games[back_to_back] (games[rest_days] 1).astype(int) # 主隊表和客隊表按 GAME_ID 合并回到比賽視角 home games[games[is_home]].copy() away games[~games[is_home]].copy() merged home.merge( away, onGAME_ID, suffixes(_home, _away) ) print(merged.shape) merged.to_csv(nba_games_features.csv, indexFalse)整體思路是把球隊視角數(shù)據(jù)拆成主隊表和客隊表再按 GAME_ID 合回比賽視角。合并之后每一行就是一場比賽左邊是主隊近期統(tǒng)計右邊是客隊近期統(tǒng)計中間夾著賽程特征。至此特征工程的骨架就搭完了。合并后行數(shù)會變成原來的一半因為每場比賽從兩行合為一行這是正常的。合并完記得檢查有沒有 GAME_ID 重復(fù)——如果接口在某個賽季返回了全明星賽或其他非正式比賽可能出現(xiàn)一對多的匹配需要提前按賽事類型過濾只保留常規(guī)賽記錄。3.4 時間切分為什么隨機打亂訓(xùn)練集相當(dāng)于讓模型作弊這個問題幾乎每個做時序預(yù)測的人都會踩一次用 train_test_split 默認隨機切分訓(xùn)練集里混著后面的比賽測試集里混著前面的比賽。對NBA這種強時序依賴的數(shù)據(jù)隨機切分意味著模型的訓(xùn)練數(shù)據(jù)里包含了未來特征和標簽產(chǎn)生隱性的時間交叉準確率虛高。正確的做法是按時序切分比如用2020到2023賽季的數(shù)據(jù)訓(xùn)練用2024賽季的數(shù)據(jù)測試。train_test_split 不支持直接按時間切但把 shuffleFalse 配合已排序的數(shù)據(jù)即可實現(xiàn)或者干脆手動切片games pd.read_csv(nba_games_features.csv, parse_dates[GAME_DATE_home]) games games.sort_values(GAME_DATE_home).reset_index(dropTrue) split_date 2023-10-24 # 以2023-24賽季揭幕戰(zhàn)為界 train games[games[GAME_DATE_home] split_date] test games[games[GAME_DATE_home] split_date] print(f訓(xùn)練集 {train.shape[0]} 場 f{train[GAME_DATE_home].min().date()} ~ {train[GAME_DATE_home].max().date()}) print(f測試集 {test.shape[0]} 場 f{test[GAME_DATE_home].min().date()} ~ {test[GAME_DATE_home].max().date()})這么切完會發(fā)現(xiàn)測試集在時間上完全晚于訓(xùn)練集模型在測試集上的準確率通常比隨機切分低2到4個百分點這才是真實水平。答辯時主動提一句我沒有用隨機切分而是用了時間切分以避免數(shù)據(jù)泄漏這一句話就能讓評委知道你理解機器學(xué)習(xí)應(yīng)用流程里最關(guān)鍵的細節(jié)。4. 機器學(xué)習(xí)模型選型與調(diào)參從邏輯回歸到XGBoost的三個階梯4.1 基線模型先跑邏輯回歸立住能跑通的版本模型部分我強烈建議先跑邏輯回歸當(dāng)基線不要一上來就上XGBoost。原因有兩個一是邏輯回歸訓(xùn)練快幾秒出結(jié)果適合用來驗證特征管道有沒有問題二是邏輯回歸的系數(shù)可以解釋你能看到哪些特征對預(yù)測結(jié)果影響最大這對寫課程設(shè)計文檔非常有幫助。特征列的準備和標簽列的定義是這一步的關(guān)鍵。以 nba_games_features.csv 為例特征列包括主隊和客隊的滾動均值、休息天數(shù)、背靠背標記。標簽列定義為 home_win表示主隊是否獲勝。import pandas as pd from sklearn.linear_model import LogisticRegression from sklearn.preprocessing import StandardScaler from sklearn.metrics import accuracy_score, log_loss games pd.read_csv(nba_games_features.csv, parse_dates[GAME_DATE_home]) games games.sort_values(GAME_DATE_home).reset_index(dropTrue) # 標簽主隊得分大于客隊得分則主勝 games[home_win] (games[PTS_home] games[PTS_away]).astype(int) # 特征列滾動均值 賽程特征 feature_cols [ PTS_roll5_home, PLUS_MINUS_roll5_home, FG_PCT_roll5_home, PTS_roll5_away, PLUS_MINUS_roll5_away, FG_PCT_roll5_away, rest_days_home, rest_days_away, back_to_back_home, back_to_back_away, ] X games[feature_cols] y games[home_win] # 邏輯回歸對特征尺度敏感先標準化 scaler StandardScaler() X_scaled scaler.fit_transform(X) # 時間切分2023-24賽季之前訓(xùn)練之后測試 split_date pd.Timestamp(2023-10-24) train_idx games[GAME_DATE_home] split_date test_idx games[GAME_DATE_home] split_date model LogisticRegression(max_iter1000) model.fit(X_scaled[train_idx], y[train_idx]) y_prob model.predict_proba(X_scaled[test_idx])[:, 1] y_pred (y_prob 0.5).astype(int) print(f邏輯回歸準確率{accuracy_score(y[test_idx], y_pred):.4f}) print(f對數(shù)損失{log_loss(y[test_idx], y_prob):.4f}) # 打印系數(shù)看特征影響方向 coef_df pd.DataFrame({feature: feature_cols, coef: model.coef_[0]}) print(coef_df.sort_values(coef, ascendingFalse))這段代碼里max_iter1000 是因為標準化之后特征數(shù)量不算少默認100次迭代偶爾不收斂調(diào)大一點更穩(wěn)妥。predict_proba 返回二維數(shù)組取第二列就是主勝概率。log_loss 是概率預(yù)測的對數(shù)損失越小說明概率校準越好后面比較模型時比準確率更細膩。跑完你會看到PLUS_MINUS_roll5_home 這類凈勝分滾動均值的系數(shù)通常顯著高于其他特征說明近期凈勝分是預(yù)測比賽結(jié)果最強的單一信號。把基于系數(shù)分析特征重要性寫進課程設(shè)計報告就是一塊拿得出手的內(nèi)容。4.2 樹模型上場隨機森林和XGBoost的參數(shù)怎么設(shè)基線跑通之后下一步換更強的模型。比賽預(yù)測場景里隨機森林和XGBoost是主流選擇。兩者都是樹模型能自動處理特征之間的非線性關(guān)系不需要像邏輯回歸那樣做標準化。代價是模型本身像個黑匣子你很難直接說出每個特征的作用方向。隨機森林的優(yōu)勢是參數(shù)少、不容易過擬合、訓(xùn)練速度快適合作為第一個升級版模型。XGBoost 的準確率通常比隨機森林高零點幾到一兩個百分點但參數(shù)非常多調(diào)起來耗時對新手不友好。建議課程設(shè)計用隨機森林做主線XGBoost 作為進階對比實驗時間緊的話只做隨機森林也完全夠。下面這段代碼同時跑隨機森林和 XGBoostfrom sklearn.ensemble import RandomForestClassifier from xgboost import XGBClassifier # 樹模型不需要標準化直接用原始特征 X_train, X_test X.iloc[train_idx], X.iloc[test_idx] y_train, y_test y[train_idx], y[test_idx] rf RandomForestClassifier( n_estimators300, max_depth6, min_samples_leaf5, random_state42, n_jobs-1 ) rf.fit(X_train, y_train) rf_prob rf.predict_proba(X_test)[:, 1] print(f隨機森林準確率{accuracy_score(y_test, (rf_prob 0.5).astype(int)):.4f}) xgb XGBClassifier( n_estimators300, max_depth4, learning_rate0.05, subsample0.8, colsample_bytree0.8, random_state42, eval_metriclogloss ) xgb.fit(X_train, y_train) xgb_prob xgb.predict_proba(X_test)[:, 1] print(fXGBoost準確率{accuracy_score(y_test, (xgb_prob 0.5).astype(int)):.4f})關(guān)鍵參數(shù)說明如下表模型參數(shù)作用課程設(shè)計推薦值隨機森林n_estimators樹的數(shù)量200~500隨機森林max_depth樹的最大深度防過擬合6~8隨機森林min_samples_leaf葉子節(jié)點最少樣本數(shù)5~10XGBoostlearning_rate學(xué)習(xí)率越小步長越細0.03~0.1XGBoostn_estimators迭代輪數(shù)與學(xué)習(xí)率配合200~500XGBoostsubsample每輪抽樣比例0.7~0.9XGBoostcolsample_bytree每棵樹使用特征比例0.7~0.9隨機森林的 max_depth6 和 min_samples_leaf5 是防過擬合的核心參數(shù)如果訓(xùn)練集只有幾千場樹的深度超過8就很容易把訓(xùn)練集背下來。XGBoost 的 learning_rate0.05 配合 n_estimators300表示以較小步長迭代300輪subsample0.8 每輪抽80%樣本colsample_bytree0.8 每棵樹抽80%特征這兩個參數(shù)能明顯提升泛化能力。另外樹模型的超參數(shù)設(shè)置在一定程度上有玄學(xué)成分不用追求全局最優(yōu)關(guān)鍵是先設(shè)一組合理的默認值跑通再圍繞防過擬合調(diào)深度和樣本量。eval_metriclogloss 是告訴 XGBoost 用對數(shù)損失作為內(nèi)部評估標準。如果你裝的是很老的 XGBoost 版本可能遇到 deprecation 警告不影響運行新版直接不用管。4.3 評估指標怎么選準確率、對數(shù)損失與AUC的分工課程設(shè)計報告里只寫一個準確率數(shù)字很單薄。建議至少同時報告三個指標準確率、對數(shù)損失和AUC它們各自回答不同的問題。準確率最直觀預(yù)測錯誤的場次占比多少但缺點是無法反映概率的可信度。比如模型對某場比賽給出51%的勝率贏了算對、輸了算錯但51%和95%的置信度顯然不一樣。對數(shù)損失就能懲罰這種低置信度錯誤模型在錯誤方向上給出的概率越高懲罰越重。AUC 則是排序能力的度量回答模型給出的概率排序是否合理和具體閾值無關(guān)對樣本不平衡也不太敏感。三者的組合能幫你判斷改進方向。如果準確率還行但 log loss 偏高說明模型對某些比賽過度自信可以降低樹模型深度如果 AUC 明顯高于0.5說明特征和標簽的關(guān)聯(lián)真實存在問題出在閾值設(shè)置可以微調(diào)判定閾值。from sklearn.metrics import roc_auc_score, brier_score_loss for name, prob in [(邏輯回歸, y_prob), (隨機森林, rf_prob), (XGBoost, xgb_prob)]: auc roc_auc_score(y_test, prob) brier brier_score_loss(y_test, prob) acc accuracy_score(y_test, (prob 0.5).astype(int)) print(f{name}: 準確率{acc:.4f}, AUC{auc:.4f}, Brier{brier:.4f})Brier 分數(shù)是概率預(yù)測和真實結(jié)果之間的均方誤差越小越好。答辯時一張表格列出三個模型的準確率、AUC、log loss、Brier就構(gòu)成了一個完整的評估體系。如果想把 Python數(shù)據(jù)分析與可視化 也加進去用 matplotlib 畫一條 ROC 曲線放到報告里能直觀展示三個模型在不同閾值下的表現(xiàn)差異。4.4 分組交叉驗證防止同賽季的比賽同時出現(xiàn)在訓(xùn)練集和驗證集講完評估指標必須講交叉驗證的正確姿勢。很多同學(xué)用 GridSearchCV 調(diào)參時發(fā)現(xiàn)驗證集表現(xiàn)很好一到時間切分的測試集就掉點。原因在于默認的 KFold 是隨機切分的前面也說過隨機切分在時序數(shù)據(jù)上等于讓模型瞥見了未來。正確的做法是 TimeSeriesSplit 或 GroupKFold 按賽季分組。TimeSeriesSplit 每次都拿時間靠前的數(shù)據(jù)做訓(xùn)練、時間靠后的做驗證模擬真實預(yù)測場景。GroupKFold 則保證整個賽季的數(shù)據(jù)在同一折里面避免同賽季比賽被切到訓(xùn)練和驗證兩側(cè)。from sklearn.model_selection import TimeSeriesSplit, cross_val_score from sklearn.ensemble import RandomForestClassifier # 數(shù)據(jù)必須先按時間升序排序TimeSeriesSplit 才有效 games_sorted games.sort_values(GAME_DATE_home).reset_index(dropTrue) X_sorted games_sorted[feature_cols] y_sorted games_sorted[home_win] tscv TimeSeriesSplit(n_splits5) rf RandomForestClassifier(n_estimators200, max_depth6, random_state42, n_jobs-1) scores cross_val_score(rf, X_sorted, y_sorted, cvtscv, scoringaccuracy) print(fTimeSeriesSplit 交叉驗證準確率{scores.mean():.4f} ± {scores.std():.4f})關(guān)鍵點cross_val_score 用 TimeSeriesSplit 時不會自動打亂數(shù)據(jù)你必須確保傳入的 X_sorted 本身按時間升序排好否則切分失去意義。scoringaccuracy 可以換成 scoringroc_auc 評估排序能力。如果想用默認切分快速看一眼指標可以先用 KFold 跑一遍但報告里一定要寫明隨機切分在時序數(shù)據(jù)上的局限。把隨機切分和時間切分的對比寫進課程設(shè)計文檔本身就是很漂亮的實驗設(shè)計。5. 避坑指南NBA預(yù)測項目里最常翻車的五個地方這幾個坑是我自己反復(fù)踩、也幫同學(xué)改這個題目時見得最多的按出現(xiàn)頻率排序照著排查基本能解決大部分問題。5.1 現(xiàn)象拉取數(shù)據(jù)時頻繁報429或連接超時現(xiàn)象循環(huán)拉五個賽季的數(shù)據(jù)拉到第二個賽季就拋 requests.exceptions.HTTPError: 429 Too Many Requests或者程序直接卡住不動。原因nba_api 底層請求的是 NBA 官網(wǎng)接口官網(wǎng)對單IP的請求頻率有限制。課程設(shè)計階段大家常在機房或宿舍網(wǎng)絡(luò)下跑一個出口IP可能有多臺設(shè)備同時請求更容易觸發(fā)限流。另一個隱藏原因是某些版本的 nba_api 默認沒有設(shè)置 User-Agent被官網(wǎng)的防火墻識別成爬蟲直接拒絕。解決一是在每次請求之間加 time.sleep(1)把請求間隔控制在一秒以上二是給請求設(shè)置瀏覽器 UA 和完整的請求頭三是給單次請求設(shè)置 timeout 參數(shù)避免卡死。前面2.4節(jié)的重試代碼可以直接復(fù)用。如果學(xué)校網(wǎng)絡(luò)反復(fù)出問題換手機熱點試一次很多時候是網(wǎng)絡(luò)鏈路的問題而不是代碼的問題。5.2 現(xiàn)象訓(xùn)練準確率高達80%以上一上真實預(yù)測就崩現(xiàn)象訓(xùn)練集準確率能到85%時間切分的測試集也能到65%左右但拿模型去預(yù)測下一周的真實比賽準確率只有50%上下跟猜差不多。原因根子上幾乎全是數(shù)據(jù)泄漏。常見泄漏點有三個滾動均值沒有 shift(1)當(dāng)天的比賽數(shù)據(jù)參與了當(dāng)天特征計算切分沒有按時間隨機切分讓模型在訓(xùn)練時看到了未來第三個最隱蔽——標簽構(gòu)造錯誤或者把比賽結(jié)束后的全場累計統(tǒng)計比如球隊單場籃板、助攻總數(shù)當(dāng)成了特征數(shù)據(jù)和標簽同時來自同一個結(jié)果準確率自然虛高。解決逐一排查。滾動均值必須 shift(1)切分必須用時間切分標簽必須按 GAME_ID 配對后生成主隊勝負特征列里不能出現(xiàn)和比賽同一天生成的統(tǒng)計。排查方法很樸素隨機挑一場已知結(jié)果的比賽手工算它的滾動均值特征和代碼計算值對比看是否嚴格排除了當(dāng)天比賽。在報告里寫一句已人工校驗特征無泄漏很顯專業(yè)。5.3 現(xiàn)象做滾動均值或合并時報索引不對齊現(xiàn)象跑特征工程時報 ValueError: cannot reindex on an axis with duplicate labels或者合并出來的結(jié)果是全 NaN。原因通常是因為 GAME_ID 有重復(fù)或者 rolling 之后 reset_index 的方式不對。一個 GAME_ID 在主客兩行里如果格式不一致一個純數(shù)字一個字符串merge 時會變成笛卡爾積。另外groupby().rolling() 返回的是分組級索引沒有正確 reset 的話會把原始 DataFrame 索引打亂后續(xù)一切按索引對齊的操作都會錯位。解決拿到原始數(shù)據(jù)后先做三件事GAME_ID 統(tǒng)一轉(zhuǎn)成 str檢查并去除重復(fù)行確保 GAME_DATE 已轉(zhuǎn)成 datetime。rolling 計算完統(tǒng)一 reset_index(dropTrue)再做 merge。標準的預(yù)處理開頭長這樣games[GAME_ID] games[GAME_ID].astype(str) games games.drop_duplicates(subset[GAME_ID, TEAM_ID]) games games.sort_values([TEAM_ID, GAME_DATE]).reset_index(dropTrue) assert games.duplicated(subset[GAME_ID, TEAM_ID]).sum() 0 print(數(shù)據(jù)檢查通過無重復(fù)記錄索引已重置)5.4 現(xiàn)象同樣的代碼換臺電腦跑結(jié)果完全不一樣現(xiàn)象自己電腦上準確率62%換到舍友電腦或者答辯電腦上跑變成58%甚至更低或者直接報錯。原因最常見的原因是庫版本不一致。pandas 不同版本的 rolling 行為、sklearn 不同版本的隨機數(shù)、nba_api 不同版本的字段名都會導(dǎo)致差異。特別是 nba_api 更新頻繁字段名或構(gòu)造函數(shù)參數(shù)名可能變化老代碼在新版本下可能直接報錯。另一個原因是數(shù)據(jù)不同——兩次拉取時間不同數(shù)據(jù)里包含的場次數(shù)不一樣特征統(tǒng)計自然有差異。解決寫一個 requirements.txt 把核心依賴版本鎖死文檔里寫明測試環(huán)境。答辯前提前去答辯電腦上把環(huán)境和依賴裝好不要臨場拉數(shù)據(jù)。數(shù)據(jù)方面固定下載日期把原始CSV隨代碼一起提交任何環(huán)境跑的都是同一份數(shù)據(jù)。如果 nba_api 版本過新導(dǎo)致參數(shù)報錯快速定位的方式是打印 dir(leaguegamefinder) 看當(dāng)前支持的參數(shù)名別拿老教程硬套。5.5 現(xiàn)象預(yù)測概率總往0.5收縮看不出觀點現(xiàn)象模型輸出的概率絕大多數(shù)落在0.4到0.6之間很少出現(xiàn)70%以上的判斷看著不夠有觀點。原因這在NBA預(yù)測里是正常現(xiàn)象不是bug?;@球比賽本身隨機性很強主場優(yōu)勢、近期狀態(tài)這些信號只能解釋比賽結(jié)果的一部分方差模型天然學(xué)不到特別強的區(qū)分度。NBA單場兩隊合計得分動輒230分以上一個球員手感爆發(fā)就能改變走勢概率往0.5收縮是信息量的真實反映不是模型壞了。解決不要為了模型有觀點去強行調(diào)閾值或改損失函數(shù)。正確做法是接受這個現(xiàn)實從特征側(cè)找增量——加入球員輪休、傷病名單、球隊連勝連敗狀態(tài)都能小幅拉開概率。還可以建模分差而不是勝負因為連續(xù)量比分立標簽包含更多信息。說到底60%到63%的準確率對這個任務(wù)已經(jīng)是很不錯的水平對比隨機猜測的50%基準這個結(jié)論本身就立得住。6. 進階驗證用滾動回測與概率校準檢驗?zāi)P驼鎸嵥侥P陀?xùn)練完還差最后一環(huán)用一套能反復(fù)執(zhí)行的驗證流程證明模型不是碰運氣。課程設(shè)計里最常說的一句話是模型準確率62%但這個數(shù)字怎么來的、在不同時間段是否穩(wěn)定很多人說不清楚。這一章講兩個進階動作滾動回測和概率校準。滾動回測的思路是模擬真實的預(yù)測節(jié)奏。假設(shè)現(xiàn)在是某個比賽日你有截至前一天的所有數(shù)據(jù)要預(yù)測今天所有比賽的勝負等比賽結(jié)束把預(yù)測和結(jié)果對比記錄命中。把時間軸往前推每周做一次這樣的預(yù)測累積一整個賽季就得到一條真實的準確率曲線。實現(xiàn)上不需要復(fù)雜框架一個 for 循環(huán)就能完成。# 把測試期按周切塊逐周回測 test_games games[games[GAME_DATE_home] split_date].copy() test_games[week] test_games[GAME_DATE_home].dt.isocalendar().week results [] for week, group in test_games.groupby(week): # 截止到本周之前的全部數(shù)據(jù)作為訓(xùn)練集 train_data games[games[GAME_DATE_home] group[GAME_DATE_home].min()] if len(train_data) 200: continue X_tr train_data[feature_cols] y_tr train_data[home_win] # 每周重新訓(xùn)練一次模擬真實部署節(jié)奏 rf RandomForestClassifier(n_estimators200, max_depth6, random_state42) rf.fit(X_tr, y_tr) prob rf.predict_proba(group[feature_cols])[:, 1] acc ((prob 0.5).astype(int) group[home_win].values).mean() results.append({week: week, games: len(group), accuracy: acc}) result_df pd.DataFrame(results) print(result_df) print(f整體回測準確率{result_df[accuracy].mean():.4f})這段代碼的核心是每周重訓(xùn)一次而不是訓(xùn)一次模型測一整年。因為NBA賽季中有交易、傷病、陣容變化固定模型會隨時間推移慢慢失效?;販y結(jié)果里命中率的波動范圍值得關(guān)注——如果某幾周準確率突然跌到40%以下去查那幾周發(fā)生了什么往往能對應(yīng)上全明星周末、交易截止日這類特殊賽程事件。概率校準是第二個值得做的動作。模型輸出0.55的概率到底接近真實命中率還是虛標需要用校準曲線驗證。sklearn 的 calibration_curve 可以直接畫from sklearn.calibration import calibration_curve import matplotlib.pyplot as plt # 把測試集概率分桶對比每個桶內(nèi)的實際命中率 prob_true, prob_pred calibration_curve(y_test, xgb_prob, n_bins10) plt.figure(figsize(6, 6)) plt.plot(prob_pred, prob_true, markero, labelXGBoost) plt.plot([0, 1], [0, 1], linestyle--, label理想校準) plt.xlabel(預(yù)測概率) plt.ylabel(實際命中率) plt.legend() plt.savefig(calibration_curve.png, dpi150)如果校準曲線明顯偏離對角線說明概率系統(tǒng)性偏高或偏低這時可以用 CalibratedClassifierCV 做一次事后校準。對課程設(shè)計來說畫一張校準曲線并解釋它的含義比多調(diào)幾個百分點的準確率更能體現(xiàn)你對機器學(xué)習(xí)模型的理解深度。我自己做這個項目時養(yǎng)成的習(xí)慣是每個比賽日結(jié)束后把前一天的真實結(jié)果回填到數(shù)據(jù)表重算滾動均值重新訓(xùn)練模型再把當(dāng)日比賽的預(yù)測輸出到一個CSV。堅持一個月累積下來就能畫出一條真實的準確率曲線。看到曲線連續(xù)下滑就知道該更新特征或者查查是不是有核心球員傷停了——這種從數(shù)據(jù)里發(fā)現(xiàn)問題的感覺比調(diào)參更有成就感。這個項目做完你帶走的不只是代碼而是一套從需求到可驗證結(jié)果的完整套路先跑通最小流程再逐層加特征、換模型、補評估每一步都有可驗證的輸出。以后做別的數(shù)據(jù)類項目這條骨架都能直接復(fù)用。希望幫到你。本文還有配套的精品資源點擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
久热9| 91夜色| 天天综合网站| 久久亚洲欧美中文字幕国语 | 黄页| 天天看精品动漫视频一区| 青青操在线亚洲视频观看欧美在线 | 激情五月综合| 欧美黑人精品一区二区| 亚洲精品久久久久毛片A片拉屎 | 亚洲性少妇| 一区二区三区精品黑丝白丝酒店对鸡 | 激情小说图片亚洲首页| 一区二区视频在看| 色婷婷一区二区三区久久午夜| 久热这里| 97人妻碰碰中文无码久热丝袜| 日韩一区二区精彩视频| 亚洲 91 在线| 日韩乱伦影音先锋| 久久亚洲AV成人精品无码| 欧美亚洲情色| 嗯嗯啊啊操我| 97欧美综合| 日本韩国五十路六十路七十路老熟女作爱视频网站 | 九九九九久久久| 日韩美女操b| 国产又色又粗又黄又爽| 一本色道综合久久欧美| 国产在线视频午夜精华在 | 久久人妻精品| 精品久热| 婷婷丁香五月综合| 自拍鲍鱼一区在线高清观看免费| 97免费视频网| 成人综合色网| 亚州伊人色综台| 五月婷婷综合网| 深爱五月婷婷| 旡码电影特区| 大香蕉伊人网WWWn0n| 综合色图区| 中文字幕大片三级狠狠干| 欧美一区二区亚洲天堂| 色色丁香| 亚州少妇| 香一区二区三区| 国产老熟女| 综合亚洲情色| 亚洲一二三四区在线免费看视频| 长久操视频| 情色五月天网| 浪人综合网| 国产三级中文有码在线视频| 天天干天天狼在线视频| 91五月天| 欧美一区二区情色| 久草看看看| 可乐操亚洲蜜911| 91美女视频直播| 亚洲 欧美综合| 国产免费内射视频| 成人一二| 手机看av网站在线看| 欧美日韩99| 久久人妻丝袜一区二区三| 日本一本一区二区三区四区五区欧美日韩中文字幕| 一区二区三区精品黑丝白丝酒店对鸡| 97视频观看| 亚洲免费日韩在线一区二区| 91n免费处女| 撸无码不卡免费视频| 超碰97中文| 超碰在线人妻中文字幕| 凹凸视频特色日本特黄| 国内91熟女人妻丝袜天天精品视频在线 | 久久999久| 亚洲狠狠入| 欧美中文综合| 国产 无码 一区二区| 99热这里只有精品9| 欧美极品少妇交| 少妇天堂网络| 人妻夜爽夜夜爽| 精品国产Av无码久久久亚洲| 男人的天堂亚洲| 搞中出视频在线观看| 一区二区三区四区在线不卡| 亚洲欧美人妻| 操逼网站地址| 久久天天躁日日躁狠狠躁| 国产97av| 国产精品免费视频不卡| 亚洲久草AV色图| 午夜人人操| 日本污ww视频网站| 欧美A√综合网| 男人天堂东京热| 美國A片| 美女尤物福利视频| 欧美啪啪啪91| 超97在线精品视频| 99国产精品免费| 伊人国产成人av网站| 亚洲九月丁香| 超碰久久精品| 福利社区午夜一区二区| 91青视频| 91精片| 日韩精品99999| 国产精品禁久久久精品| 做爱A级亚欧| 婷婷情色综合网| 夜夜夜夜久久久久| 久悠悠av| 天天综合欧美| 女同在线视频一区| 91中文字幕| 精品国产肉丝袜在线拍国语| 天天干18禁| 97人人模人人爽人人| 久久久久人| 亚洲 日本 国产 综合| 国产精品青青草| 肥佬影院91| 五月婷婷六月天| 欧美丝袜中文字幕07在线| 国产高清无码一区二区三区四区皇冠| 久久99深爱久久99精品| 中文字幕在线免费观看视频| 大香蕉99re| 色999五月色| 夫妻AV网站| 欧美视频边做饭边橾| a片亚洲一本通视频| 午夜福利激情在线视频| 久操av在线| 日韩激情中文字幕有码| 久久久999国产| 超碰人人超在线观看| 嫩草91| 久操热| 97啪啪| 日本熟人妻中文字幕在线|...久久国产精品-国产精品_日本一区二区三区中文字幕 | 尤物av网站| 国产一区二区三区免费视频在性观看 | 日韩精品9999| 日本午夜福利影院| 97免费在线观看视频| 九九精品美女高溯喷水 | 99999精品成人| 五月天久久综合网| 蜜桃臀一区二区三区久久| 色综合久| 91福利网在线观看| 精品欧美日韩在线观看| 亚洲男人的天堂V| 成人激情无码在线视频| 久久啊啊啊| 爆乳免费黄网站| 久久91视频| 日韩91网| 欧美影音在线| 日日干夜夜操视频h| 免费观看国产小粉嫩喷水精品午| 偷拍新久久| 亚洲日本成人动漫| 免费无码国产精品v片在线观看| 一区二区三区 丝袜高跟| 国产a级午夜毛片| 东京热双插| 香蕉免费一区二区三区不读| 超踫中文字幕| 日本午夜福利影院| 日本色色视频网站| 超碰诱惑| 在线小视频| 97视频网站在线观看| 国产日韩欧美亚洲精品95| 麻豆熟妇乱妇熟色A片在线看| 成人熟女视频一区二区三区| av资源在线观看少妇| 不卡av免费在线网址| 爱丝福利| 91久久国产综合精品| 操久久久久久| 欧美刺激色黄片免费看| 精品一二三区久久AAA片| 天天色图| 蜜臀久久99精品久久久| 欲香欲色综合天天伊人| 久久9免费视频| 国产农村妇女精品1区二区| 久久99网站| 日本操色导航| 蜜乳成人AV| 91色综合| 久久性爱视频免费看| 夜夜黄| 天天激色| 精品人妻视频一区二区在线播放 | 啊啊啊轻点在线观看| 老熟女熟妇| 日韩欧美视频青青| 欧美黑人猛交春色影视大全| 99热这里只有精品99| 综合欧美激情网| 亚洲码在线中文在线观看| 东北熟女91| 天天欧美| 春色综合网| 人妻91少妇| 果冻传媒A片麻豆熟妇人妻| 亚洲国产亚洲天堂| 国产风韵犹存熟妇三区| 色悠久久久av| 玖玖无码超碰| 俞拍久久国应视频| 天天综合网91| 老子午夜伦不卡影院| 影音先锋每日最新资源在线观看| 国产精品久久久久久夜夜夜| 1234区中文字幕在线观看_青青草国产在线_日韩一区二区 | 欧美九九爱| 亚洲精品一区二区三区新线路| 日本三级大片| 黄页av| 天美av在线| 97操b| 人人操人人肉久久精品| 亚洲欧美国产中文视频| 国产亚洲精品第一最新| 欧美成人精品A片免费一区99| 亚洲va综合va国产va中文| 狠狠久久亚洲欧美专区| 欧美精品偷拍| 午夜九九| 一二三区操逼国产91| 操婢日韩| 亚洲AV成人在线| 发朗少妇买婬全视频中文| 人人天天欧洲| 大香蕉92| 日本精品中文字幕视频| 日韩乱伦影音先锋| 久久极品伊人| 香蕉免费一区二区三区不读 | 久久久久免费看少妇A片特黄| 无码天天操| 玖玖婷婷五月天| 国产性刺激| 1.igao73.com 加入收藏 免费专区 国产精品 中文字幕 日韩精品 欧美精品 精彩 | 国产家庭乱伦表演| 91干熟女| 性色国产东北露脸精品视频| 精品一区二区2| 欧美黑人极品高潮喷吹熟女黑人性暴力日韩在线欧美极品一区二区老师黑人潮喷一 | 久久东京热久久| 久久久久久久九九九九九九| 99热这里只有精品99| 久操99| 97精品网站| 欧美性第一页| 久99| 91香蕉视频在线观看免费| 免费啪啪一级视频| 精品网站9999| 亚洲高清欧美总合| 人妻中文字幕日韩电影| 国产视频一区二区三区久久亚洲天堂| 天天综合,91入口| 日韩免费在线观看不卡| AA丁香综合激情| 97欧美色综合| 日韩三A大片在线观看| 综合五月婷婷| 欧美熟女逼久久久久久| 中文精品一区二去| 91爱看| 日本熟女不卡视频| 1024亚洲中文字幕久在线看片你懂的 | 澳门成人网站久国产日韩| 欧美线天码中字| 亚洲日韩一区电影| 91亚洲欧美色图| blacked精品一区国产| 国产在线76页| 亚洲中文字幕在现观看| 夜夜操av亚洲一区二区| 亚洲国产青青| 欧美精品xxxwww| 精爱久久| 日韩精品一区二区高清| 欧美另类色| 亚洲 欧美综合| 91一起操| 亚洲色阁| 91色鬼| 少妇久久久久久| 人妻少妇精品一区二区三区| 亚洲日韩精品一区二区| 中文字幕日韩综合| 91综合色| 日韩三级在线观看mp4| 曰韩中文人妻视频| 中文字日本乱码| www.亚洲黄色| 中文字幕、久久精品国产2020、久久综合久久自在自线精品自、亚洲 | 啊啊啊爽爽| 欧美一区91大爱| 五月天亚洲色图| 蜜臀久久99精品久久综合| 精品人妻一区二区三区视频在线| 亚洲丝袜色| 亚洲综合欧美| 人妻一区久久二区三区色播| 制度丝袜99| 日本超碰色精品| 少妇干B| 久啪视频| www.狠狠干.coom | 欧美经典一区二区三区| 99这里只有精品| 激情五月综合网| 91欧美亚洲| 影音综合网| 亚州免费啪啪视频| 欧美日韩欧美| 91艹逼精品| 在线A日本| 欧美肥臀在线| 啊啊啊啊啊啊啊国| 婷婷丁香五月天综合东京热| 亚洲精品国产拍免费91在线| 久久久99久9| av天堂天堂av日韩| 4虎在线观看| 诱惑人妻欧美一区在线播放| 国产AV无码AV| 国产资源中文字幕在线| 人妻少妇精品无码专区二区密桃| 日韩情色视频| 国产超碰人人操| 永久电影三级在线观看| 国内精品久9| 夜夜操天天肏| 丁香五月久久| jizzjizz欧美| 婷婷伊人五月| 少妇高潮九九九九| 国产女主播视频在线观看| 91欧美高清| 青青操综合网| 男人女人18禁片免费看网站| 亚州,欧美在线| 欧美熟女丝袜| 99爱久久视频频| 久热伊人| 亚洲AV无码成人精品久久| 日本乱人伦片中文三区| 欧洲精品一级二级精品综合视频综合 | 2019亚洲男人天堂| 综合网亚| 旡码电影特区| 超91综合网| 久久东京国产精品视频| 无码精品人妻一区二区三区妖精 | 天天综合AV| 偷看洗澡一二三区美女| 无码最新| 亚洲国产一区二区日韩专区| 青娱乐休闲视频在线观看| 午夜福利 成人 91| 小电影欧美91| 婷婷五月天色网| 欧洲自拍色图gif在线| 97网址www| 91 刺激在线| 操逼日韩无码 | www.91色综合| 国产高清1234区| 国产按摩一区二区三区| 中文字幕啊啊啊在线观看视频| 无码高清专| 欧美日韩一区二区三区四区蜜桃| 91九色蝌蚪在线观看| 午夜国产成人精品视频| 午夜福利国产欧美日韩夜夜| 高清在线不卡一区二区 视频| 97超碰护士| 熟女人妻精品一区二区视频| 国产在线观看一区二区三区| 尤物网址| 亚欧视频在线| 自偷自拍的亚洲视频| 亚洲图片欧洲图片aⅴ| 久久久久久久国产视频| 全球成人中文在线| 人妻AV在线| 久久香蕉网| 五月丁香影视| 啊啊啊啊啊操我视频| 尤物av网站| 精产国品一区二三产品| 91少妇香蕉久久精品| 亚洲。天堂。日本在线观看| 99999亚洲另类| 日韩三级av片| 亚洲欧洲自拍图片专区满春格| 久久伊人亚洲AV无码网站| 人人操人人摸人人看人人干| 国产精品久久久久无码AV会牛| 中日韩欧美精品无码AⅤ一区二区| 国产中文字幕曰本毛片| 天天综合,91综合永久| 毛片17S| 99婷婷一区二区| 天天射天天| 国产一区二区精品久久99| HEYZO高无码国产精品227| 五月天黄色激情视频| 九九久久综合| 亚洲欧洲色情高清| 欧美亚洲特P| 强奸乱伦AV一天堂网| 亚洲第一黄色av网站 | 97这里有精品| 99色热国产视频精品| 爱射综合| 日日摸日日碰| 婷婷色综合欧美日韩| 人妻81p| 人妻少妇精品一区二区三区| 青青草国产盗摄一二三区| 老鸭窝在线视频播放| 久久精品一区二区一8| 人人摸人人添人人操 | 美女久久久| 国产区91柔拿会所技师| 91蜜臀在线久久久久| 欧美大色交| 亚洲综合影院| 精品人妻伦一二三区久久| 蜜臀99999| 青草一区二区| 国产 三级自拍| 加勒比AV网| 欧美性夜| 九九热在线精品视频| 日韩不卡网操逼中文字幕日韩| 99re视频这里只有精品| 欧美精品久久久久久久久88| 久久大精品乱码视频人妻熟女| 久久久久久久9| 九九黄色视频在线观看| 超碰97久久国| 成人小说视频在线精品欧美| 大香蕉在线视频15| 91w欧美| 99久久99久久综合| 我爱操| 国产成人bd在线观看| 亚洲av热热色| 少妇被c 黄 免费观看| 成人看片网站| 久久久啊啊啊| 曰韩无码777| 中文字幕二区| 国产树林里野战在线看| 加勒比色综合| 黄在线| 秋霞一区二区三区四区五区六区七区| 色哟哟 日韩精品| 夜夜一区二区| 欧美性爱一区二区| 无码欧美有限公司| 精品一级毛片在线观看| 狠狠久久四虎| 一本色道无码DVD中文字幕| 久久国产视频性吧| 水多多映视AV| 综合网欧| 中文字幕亚韩| 精品日韩产品在线,日韩在线不卡视频,欧美日韩免费专区/久, | 激情五月综合开心五月| 91+欧美| 中文字幕高清精品一区| 97在线青| 国产精品无码AV网站| 97超碰超欧美。| 自慰白浆在线观看| 九九热精品| 日韩中字av一区| 亚洲āv网址在线观看| 亚洲男人天堂网久久| 日韩精品在线放| av线电影| 丁香五月天视频| 中国一级αV| 96免费视频在线| 成人乱码一区二区三少妇| 精品超碰色| 在线黄页看毛片| 国产超碰AV在线精品| 97一区二区三区视频| 国产色精品午夜大片| 夜夜国自区| 日本在线不卡123| 精品午夜福利国产一区二区在线观看| 亚洲熟妇综合久久久久久| AV大香蕉| 草草影院最新网址| 久久久久久久唑| 国产精品久久久久久久久久久久久久久久久久 | 久热超碰| 欧美aa一级片| 97碰碰色| 亚拍在线| 亚洲AV资源| 999国产精品999| 牛牛AV人人夜夜澡人人爽| 99精品人人爽| 东北黄色电影| 十八禁啪啦拍视频无遮挡| 夜草网站| 亚洲欧美骚| 天天看高清麻豆| 五月婷婷激情网| 淫荡熟女乱伦网| 欧美中文字幕精品人妻| 无卡一区=区| 91色噜噜狠狠| 96精品在线| 黄页网站免费高清在线观看| 亚洲**2021在线观看| 国产蜜臀精品一区二区尤物| 国产多人在线观看视频| 精品人妻15区| 精品女同一区| 和协影院中文字幕三区| 视频在线观看一二三区| 日本网色| 囯产乱伦一区二区三女 | 色av中文字| 曰韩无码777| 无码最新| 久久久久久69国产一区二区| 网友自拍第一页| 深夜激情| 999色欧美中文字幕| 超碰日韩美妻| 蜜桃视频一区二区三区| 欧美大香蕉97| 宅男91视频在线播放| 亚洲精品 大香蕉| 91|九色|国产熟女| 99热网站| 亚欧操逼片在线观看| 亚洲图片欧美制度| 青苹果影院男人的天堂| av婷婷色网| 欧亚乱色熟一区二区三四区| 91美女丝袜诱惑视频| 天天爽夜夜操| 青青草九九九九九| 亚洲精品一区二区三区新线路| 精品超碰中文在线| 囯产精品一区二区三区线|亚洲人成无码网WWW动漫|国产精品免费一级... | 嗯嗯啊啊用力视频免费| 日欧美色| 久久久久久久久久黄色网| 少妇一区二区三区在线观看| 女同性恋一区二区三区精品视频| 天天综合有色网| 国产成自自拍在线观看| 亚洲天堂人人妻| 国产精品露脸在线观看| 八戒无码国产午夜福利| 精品国产无码中文| 亚洲AV无码黄色强奸| 欧美日韩中文亚洲v在线综合| 粉嫩在线一区二区懂色| 精品久久99| 日本一区三级韩国| 欧美色图天堂网m| 小明看看网址| 午夜福利 成人 91| 91亚洲高清| 亚洲av综合伊人久久| 国产精品久久久久无码A√| 一区二区三区免费岛国片| 中文字幕av乱伦| 日韩啪啪啪啪啪| 少妇诱惑视频| 人妻少妇久久| 九九九九9999| 久操网视频| 爱射综合| 99国产精品免费| 国产精品免费视频人成| 99操| 日本精品性生活久久久| 亚洲熟女诱惑| 93人人操人人| 青青草视频久久| 亚州男人的天堂| 天天干18禁| 精品日韩中文在线| 淮穴色AV| 爱丝福利| 国产一级137片内射麻豆| 中文字幕av亚洲在线| 91女网站| 97在线视频免费看| 中文字幕精品一区二区精| 久久久久免费少妇| 60秒免费视频| 免费家庭乱伦视频| 精品一区二区三区蜜桃臀赵总| 四季AV一区二区凹凸精品小说| 国产搭汕a级片| 中日亚韩免费视频| 色哟哟-国产专区| 0755午夜福利视频| 夜夜影视四色| 区一二区日韩亚洲乱码av电影| 人妻91少妇| 91网站视频在线观看| 国产精品久久久久婷婷二区次| 日韩乱中文| 日韩av熟女一区二区三区成人| 丰满熟妇大乳做爰| 手机在线人成免费视频| 四虎视频在线观看| 成年无码动漫av片无尽在线 | 怡红院亚洲怡春院av| CCYY草草影院地址入口| 亚洲色图91欧美日韩| 97在线欧| 欧美日韩性爱操大逼| 午夜精品久久久久| 少妇熟女1区2区3区| 六月婷激情福利天堂69| 精人妻一区二区三区| 久久AV无码网址| 男人的天堂日本东京热| 色天使亚洲综合在线观看| 艾草av| 色色毛片| 91精品91久久久久77777俄罗斯老妇姓x| 久久国内| 亚洲素人综合| 99精品久久久久久久婷婷蜜桃| 青青青草伊人精品| 午夜福利视频在线一区| 职场同事知名国产国产精品久久欧美日韩| 人妻丰满熟妇一区二区三| 九九热超碰97亚洲最新香蕉| 91AV入口| 1204金沙人妻懂旧版免费| 美女视频尤物网在线看| 国产熟女精品区| 操逼啊啊啊91| 国产蜜臀在线| 激情五月综合| 麻豆天美91| 天天爽夜夜欢视| 天天插夜夜操| 99re6在线视频精品免费完整版安卓版| 国产小黄片在线免费观看| 另类欧美| julia高潮后不停追击中出| 香蕉99秘 一区精品蜜桃臀| www.狠狠干.coom | 97久久超碰国产精品| 色激情五月天| 久久国产逼| 国产成人精品午夜福利| 伊人五月天| 精品少妇999| 熟妇精品juliaannAV| 人人操人人叉人人插人人| 撸无码不卡免费视频| 97精品一二区| 国产精品婬乱一级毛片彝族| 色吊丝 日日骚 清纯唯美| 97精品一二区| 青娱乐国产精品| 久久久偷拍| 精品国产72| 新版天堂中文资源8在线| 成人久久久| 激情四射五月天| 九九成人| 亚洲制服aⅴ中文字幕| 久久9久久| 四虎视频在线观看| 婷婷午夜| 岛国免费黄色网址| 91老司机在线| 国产和美国毛片| 男人的天堂在线有码| 少妇高潮特黄A片| 屁股久久久久久| 亚洲日韩久久精品一区| 丝袜AV一二三区| 91c色| 中文久久| 超碰色大香蕉| 天综合网欧美| 国产白丝AV| 欧美国产有色电影| 看看小穴| 91啪啪视频| 中文字幕丝袜国产第一页不卡| 嗯嗯啊啊操我| 国产97在线播放| 亚洲成人色情五月天丁香花| 啊啊啊啊啊啊啊国| 99久久婷婷国产综合| 中国zzijzzijzzwww精品| 男女无套 免费网站| 亚洲玖玖爱| 大香蕉琪琪日本女优不卡| 欧美一级欧美三级在线观看| 99色在线视频| 立川理惠加勒比无码| 欧美日韩黄片精品在线| 女性91网站| 96久久久久久久| 国产精品毛片| 欧美亚洲厕所精品偷拍91 | 美女操逼A A| 又大又大又大又粗爽高潮观看| 伊人网在线点播| 亚洲亚洲亚洲天堂天堂| 亚洲无限观看| 强奸熟女一区二区三区 | 中文字幕在线免费观看2| 超碰97COm中文| 久久精品区| 99色热| 日本二区不卡| 91中出在线| 老司机福利社视频在线观看| 久久久草草精品| 国产吹潮女在线观看| 欧美天堂第二区| 91爱欧美| 凹凸久久人人| 男女激情黄色网址| 日韩av不卡在线观看| 特级丰满少妇一级AAAA爱毛片| 久操网视频| AV免费在线播放一区| 亚洲国产一级精品毛一级精品看免费视频| 青青伊人这里只有精品| 永久免费发布性爱网| 入口操逼网站| 亚洲欧美成人在线| 淫妻综合网| 婷婷伊人一区| 加勒比日本在线| 亚洲日韩熟女人妻高清在线| 激情婷婷丁香| 欧美性爱超碰97| 韩国三级色呦呦| 天天上日日上日韩精品| 91青青在线| 葡萄牙性视频一二区| 国产精品毛片| 香蕉精品二区二区| 96免费视频在线| 另类欧美| 中文字幕狠狠玩| 狠狠2050在线观看| 亚洲无码成人精品| 日韩97视频!在线| 色臀av| 人妻激情偷乱视频一区二区三区| 神马久久免费电影观看| 一区二区三区 日韩欧美| 金典av| 操操吧亚洲乱伦视频| AV高清一区| 中文字幕欧美日韩三级| 午夜精品久久久久久久男人的天堂| 限制级中的三级片中的黑粗大屌屌日人妻熟女| 操逼视频色| 色九九九综合| 久久人人爽爽人人爽人人片αV| 夜夜狠狠躁日日躁色视频| 国产午夜精品在线观看| 国产精品操| 99热成人| 东京热男人的天堂| 色五91| 免费人成毛片乱码| 亚洲日韩av一区二区三区百合| 91视频精品| 亚洲情色1区| 成人性爱AV在线免费观看| 久偷拍| 激情网色| 欧美91色| 日韩久久三区| 日本精品一级二级三级| 久久精品老司| 做爱A级亚欧| 天堂av最新电影网| 艹我哪美一区无码| 中文字幕精品免费一区二区| 色婷婷蜜臀av| 一级特级aaaa毛片免费观看 | 一区二区激情国产熟女| 91美女视频在线观看| 亚洲射综合网| 欧美日韩性爱无码| 色噜噜人妻av中文字幕| 裸体美女国产免费久久久网站| 爱逼综合| 中文字幕、久久精品国产2020、久久综合久久自在自线精品自、亚洲 | 嗯嗯嗯啊啊啊操的我好爽| 国产亚洲日韩欧| 99re6国产精品99re| 精品国产91av一区二区三区| 亚洲97网站| 色一射色一射| 免费av大片| 久久久少妇| 欧美少妇高潮久久91| 久草福利在线资源站| 亚洲国产精品成人久久蜜臀| 搞中出视频在线观看| 久久肏大逼| 欧美性暴力| 色哟哟av网址| 大鸡巴久久久| 五月丁香社区婷婷日韩欧美精品影院| 男人的天堂一区| 成人精品视频| 97亚洲性爱| 精品黑人一区二区| 欧美综合天天| 久久中久文96| 色五月第四色| 激情五月激情综合网| 人妻一区二区三区视频| 91情色在线| 96久久久精品| 67194无码不卡| 成人性爱电影网| 欧美偷拍区| 亚洲丝袜诱惑| 99久久e免费热视| 蜜臀99久久精品久久久懂爱| 日韩av情韩国爱禁区av一区二区| 中文字幕一区 二 区 三 四 五 区日 日 骚 | 欧美成人色| 欧洲无码一区二区| 欧美日韩岛国大片在线观看| 国内毛片无遮挡国产| 亚洲欧洲日韩中文字幕一区| 啊啊啊啊在线观看网址| 欧美日韩色图片| 一区在线观看中文字幕| 日韩性爱1级片视频| 超碰在线日韩一区| 中文字幕伊人| a人欧美综合天堂麻豆| 野狼激情网| 五月丁香婷婷啪啪| 超碰在线观看av不卡| 国产亚洲福利第一页丝袜| 97资源久久| www男人天堂| 欧美性视频二区三区| 人人澡人人弄| 亚洲网自拍| 亚洲熟妇乱女区二区三区| 91精品黄在线观看| 国内精品久久久久影院亚洲| 国产极品美女高潮无套在线观看| 国产精品ⅴ无码大片在线看.| 国产精品蜜乳AV| www.色吧5.com| 男女无套 免费网站| 97天堂| 97日韩| 91精品导航| 大香蕉中文201| 日韩本不卡视频在线观看 | 北条麻妃性愛视频| 神马久久中文字幕| 性感女人网页在线观看视频| 99少妇精品视频| 精品国产乱码久久久久久影片| 亚洲熟妇自偷自拍另欧美| 亚洲无码色| 久热99| 麻豆60秒| 一区二区三区四区姦女| 99re95| 狠狠搞 亚洲91| 色大师网站www永久网站视频| 秋霞午夜视频一区二区| 超碰97最新人妻| 日韩 欧美 国产 麻豆| a片亚洲一本通视频| 激情小说亚洲视频| 日本免费二区三区| 亚洲国产97| 日本操逼视频免费| 亚洲欧洲自拍图片专区满春格| 久久中文字幕一区不卡| 国产极品99热在线播放69| 亚洲成人性爱在线观看| 国产在线精品偷| 少妇二级| 欧美色一二三| 大香交| 黄色成年| av网站在线看| m欧洲一级午老| 嗯嗯啊啊的视频| 97超碰9| 亚洲阿v天堂在线| av一区二区三区四区| 手机在线看片免费人成视频| 97色色网| 自拍欧美| 极品少妇久久久久| av三级电影在线播放| 国产成人精品必看 | 91精品国久久久久久无码| 日韩色女精品| 日韩小电影| 精品中文字幕第一页| 精品性爱无码在线播放| 色婷婷丁香五月天| 绑缚麻绳人妻寝取完整版| 亚洲第一男人天堂| 思思热在线视频免费| 成人网站 免费观看| 99综合视频一体| 99精品热| 97在线免费视频观看| 九九综合久久中文字幕| 久久婷婷伊人| 青青草乱入乱欲视频在线观看| 欧美天天影院| 国产精品蜜臀久久久久无码AV| 精品-91人妻子系列| 日本精品88888888| 人妻丰满熟妇av无码区蜜桃| 青青青国产手线观看视频2| 婷婷深爱五月| 色大师网站www永久网站视频| 人人操人人精品影片| 桃花色综合影院| 五月色丁香| 欧美日本不卡| 亚洲激情在线| 强奸乱伦亚洲第一页| 视频二区美腿丝袜制服人妻欧美| 啊啊啊好疼| AA级电影三区| 男人的天堂2010| 天天操狠狠日夜夜干超大胆开放com大香蕉视频在线观看 | 99re在线视频国产| 亚洲 中文字幕 精品| 五月天激情综合网| 日本精品一区二区三| 午夜人人操| 久久久精品日本一道| 亚欧韩av| 欧美白嫩在线放| 翔田千里AV无码秘 三区| 强免费黄色网址| 激情文学 亚洲图片| 少妇厨房愉情理伦片bd在线观看| 成人资源中文字幕在线观看天天| 欧洲站一级二级三级h| 尤物网址| 日韩中文字幕2020| 人妻无一区二区三区| 久久秀这里有精品| 九九九九精| 激情看片网站| 欧美综合网站999| 久久av成人无码免费| 九九九九九九九九九五码| 欧美爆乳精品一区二区| 亚洲夜色在线| 大奶的诱惑| 天天干一干| 欧美在线天堂| 一区二区 韩日AV| 91天天综合在线| 在线国产探花| 欧美色图欧美| 久久婷五月| 992视频一区| 这里都是精品在线观看| 夜夜嗨TV| AV九九| 久久免费9| 色综合一区二区三巨| 蜜臀久久99精品久久久久久| 久久激情五月| 竹菊一区二区三区AV线| 日韩一级片在线看| 亚洲综合另类色图| 人妻一区二区三区视频| 91电影色诱| 亚洲视频中文一区| 日韩精品高清资源在线| 日韩欧无码一区二区三区免费不卡 | 97久久超碰国产网站| 91免费看一区二区三区| 久久本道| 91熟女网| 亚洲情色第一页| 久久久久久999| 天美麻豆精品视频99| 蜜臀99久| 久久久久日本视| 国产高清视频无码在线| 久草毛片电影怡| 性久久| 色九九九综合| 国产欧美日韩精品中文| 日韩无码第3页| 久久秀这里有精品| 午夜.DJ高清在线观看免费7| 男人成人黄色视频在线观看免费下载| 操逼网站地址| 校园春色五月天| 欧洲乱码视频| 精品久久久亚洲AV成人网站| 久久久久久性爱免费视频| 国产污视频麻豆传媒一区二区| 翔田千里爆乳巨臀无码| 欧美久久人妻少妇一区二区| 国产精品麻豆免费视频| 久久一二三四不卡 | 91性色| 国产精品久久久久久久久久久久久久久| 国产18精品亚洲精品| 另类天堂| 久热久| 啊啊啊好爽快点啊啊啊嗯嗯| 亚洲国产精品无码AV久久久| 国产中午字一暮区| 欧美亚洲图片| 欧美91久久久久| 日本久久网| 一级性爱啪啪视频| 人妻熟女一区二区在线视频| 精品97精品97| 激情综合五月| 亚洲九九九| 精品国产综合久久福利,热99这里有精品综合久久,99热这里只有免费国产精品,精 | 欧美亚洲日本视频久久久| 精品玖九九久| 日韩美女高潮喷水视频| 欧美躁死她一区二区| 操逼操逼视频操逼| 久久在线观看免费视频| 欧美色交| 欧美亚州综合图片| 麻豆天美久久91| 在线国产探花| 日韩欧美tv一区二区在线观看| 夜夜嗨视频| 日产精品久久久一区二区| 中文字幕免费观看| 国产久久一区二区午夜| 欧美亚洲中文字幕| 美女尤物人人操| 欧美人与动性人交a| 骚货 中文字幕 av| 东北老女人的激情视频| 日韩亚洲美女一区久久| 极品极品色影院| 八人操人人摸人人看| 国内精品久久人妻性色av| 韩国午夜理伦三级好看| 亚洲图片欧美| 日日躁夜夜躁狠狠躁超爽| 少妇高潮喷水无套久久久久久| 日韩9999| 午夜成人福利影视| 久久精品性| 成人免费不卡在线视频| 亚洲精品天堂久久A∨51成人漫| 97在线免费看| 91n欧美| 男人天堂毛片| 一本色道久久综合熟妇| 10000部十八禁看电影| 91人人看| 激情综合97| 少妇二级| 欧美1727免费观看视频| 国产精品一区二区黄片| 99热在线观看| 中文字幕成人理论在线| 思思热国产在线视频| 人人摸.人人色| 岛国片在线视频网站| 大肥女高潮bbwbbwhd视频| 久久女人| 亚洲国产综合图区中文字幕 | 东北老女人的激情视频| 亚洲熟妇丝袜在线观看| 精品久一区免费| 中文字幕天天天天天| 嗯……啊…嗯嗯…啊…好舒服| 天天日天天爽| 啊啊啊骚| 好爽视频在线观看视频| av黄图片在线观看| 亚洲97成人在线观看| 人人操我人人干| 精品成人动漫一区二区| 色官网色综合| 911粉嫩人妻| 色噜噜婷婷| AV色天香在线| 亚洲视频一二区| 青青操视频在线| 五月天亚洲网| 老司机香蕉久久久久| dy888午夜老子影视达达兔| 日本高清免费一本视频在线观看| 巨爆乳一区二区爆乳区| 日本高清一区二区在线| 97人人草| 老熟女91av| 久久久久元码视频| 色网亚洲人| 日本阿v天堂在线观看| AV一起草在线| 成人5码视频| 色99视频| 精品久久久av| 干B| 亚洲中文丝袜美腿诱惑字幕| 精品黄色电影| www.久久制服糖| 99久久精品国产高潮| 国产尹人在线视频免费| 亚洲国产欧美日韩人妻日中文| 成人热久久精品| 欧美97免费| 极品欧美一区二区三区| 欧美v亚洲v日韩v最新在线二区| 91色综| 日韩丝袜高跟制服在线观看|