NBA Machine Learning Sports Betting

¿Apuestas deportivas de la NBA usando el aprendizaje automático?

Una IA de aprendizaje automático solía predecir los ganadores y menores/overs de los juegos de la NBA. Lleva todos los datos del equipo de la temporada 2007-08 a la temporada actual, combinados con probabilidades de esos juegos, utilizando una red neuronal para predecir las apuestas ganadoras para los juegos de hoy. Logra ~ 69% de precisión en líneas de dinero y ~ 55% en debajo/overs. Los resultados se esperan valor para las líneas de dinero de los equipos para proporcionar una mejor información. La fracción de su bankroll para apostar según el criterio de Kelly también se produce. Tenga en cuenta que un enfoque popular y menos riesgoso es apostar el 50% de la participación recomendada por el criterio de Kelly.

Paquetes utilizados

Use Python 3.11. En particular, los paquetes/bibliotecas utilizados son ...

• TensorFlow - Biblioteca de aprendizaje automático
• XGBOOST - Marco de impulso de gradiente
• Numpy - Paquete para la computación científica en Python
• Pandas - Manipulación y análisis de datos
• Colorama - Salida de texto de color
• TQDM - Barras de progreso
• Solicitudes - Biblioteca HTTP
• Scikit_learn - Biblioteca de aprendizaje automático

Uso

Asegúrese de que se instalen todos los paquetes anteriores.

$ 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

Los datos de ODDS se obtendrán automáticamente de SBRODDS si la opción -ODDS se proporciona con una Libra de apuestas deportivas. Las opciones incluyen: FanDuel, DraftKings, Betmgm, PointsBet, Caesars, Wynn, Bet_rivers_NY

Si no se proporciona -odds , ingrese el menor/over y las probabilidades para los juegos de hoy manualmente después de comenzar el guión.

Opcionalmente, puede agregar '-kc' como un argumento de línea de comandos para ver la fracción recomendada de su bankroll a apostar en función de la ventaja del modelo

Aplicación web de frascos

Este repositorio también incluye una pequeña aplicación de matraz para ayudar a ver los datos de esta herramienta en el navegador. Para ejecutarlo:

 cd Flask
flask --debug run

Obtener nuevos modelos de datos y capacitación

 # 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

Que contribuye

Todas las contribuciones dieron la bienvenida y alentada.