NBA Machine Learning Sports Betting

NBA -Sportwetten mit maschinellem Lernen?

Eine KI für maschinelles Lernen hat früher die Gewinner und Unter/Over -NBA -Spiele vorhergesagt. Nimmt alle Teamdaten von der Saison 2007/08 bis zur laufenden Saison mit den Gewinnchancen dieser Spiele ab und nutzt ein neuronales Netzwerk, um Gewinnwetten für die heutigen Spiele vorherzusagen. Erreicht ~ 69% Genauigkeit für Geldlinien und ~ 55% für unter/Overs. Ausgaben erwartete das Wert für die Geldlinien von Teams, um bessere Einblicke zu bieten. Der Bruchteil Ihrer Bankroll auf Wette basierend auf dem Kelly -Kriterium wird ebenfalls ausgegeben. Beachten Sie, dass ein beliebter, weniger riskanter Ansatz darin besteht, 50% des vom Kelly -Kriterium empfohlenen Anteils zu wetten.

Pakete verwendet

Verwenden Sie Python 3.11. Insbesondere die verwendeten Pakete/Bibliotheken sind ...

• Tensorflow - Bibliothek für maschinelles Lernen
• Xgboost - Gradienten -Boosting -Framework
• Numpy - Paket für wissenschaftliches Computer in Python
• Pandas - Datenmanipulation und Analyse
• Colorama - Farbtextausgabe
• TQDM - Fortschrittsbalken
• Anfragen - HTTP -Bibliothek
• Scikit_learn - Bibliothek für maschinelles Lernen

Verwendung

Stellen Sie sicher, dass alle oben genannten Pakete installiert sind.

$ git clone https://github.com/kyleskom/NBA-Machine-Learning-Sports-Betting.git
$ cd NBA-Machine-Learning-Sports-Betting
$ pip3 install -r requirements.txt
$ python3 main.py -xgb -odds=fanduel

Odds -Daten werden automatisch von SBRODDS abgerufen, wenn die Option -ODDS mit einem Sportbuch bereitgestellt wird. Zu den Optionen gehören: Fanduel, DraftKings, BETMGM, Pointsbet, Caesars, Wynn, BET_RIVERS_NY

Wenn -odds nicht gegeben wird, geben Sie die Unter-/Überwachung und die Wahrscheinlichkeit für die heutigen Spiele manuell ein, nachdem Sie das Drehbuch gestartet haben.

Optional können Sie '-kc' als Befehlszeilenargument hinzufügen, um den empfohlenen Bruch an Ihrer Bankroll zu Wette basierend auf der Kante des Modells anzuzeigen

Flask Web App

Dieses Repo enthält auch eine kleine Flask -Anwendung, mit der die Daten aus diesem Tool im Browser angezeigt werden können. Um es auszuführen:

 cd Flask
flask --debug run

Neue Daten- und Trainingsmodelle erhalten

 # Create dataset with the latest data for 2023-24 season
cd src/Process-Data
python -m Get_Data
python -m Get_Odds_Data
python -m Create_Games

# Train models
cd ../Train-Models
python -m XGBoost_Model_ML
python -m XGBoost_Model_UO

Beitragen

Alle Beiträge wurden begrüßt und gefördert.