NBA Machine Learning Sports Betting

Les paris sportifs NBA en utilisant l'apprentissage automatique?

Une IA d'apprentissage automatique avait l'habitude de prédire les gagnants et les sous / overs des jeux NBA. Prend toutes les données de l'équipe de la saison 2007-08 à la saison en cours, correspondant à des chances de ces jeux, en utilisant un réseau de neurones pour prédire les paris gagnants pour les matchs d'aujourd'hui. Atteint une précision de ~ 69% sur les lignes d'argent et ~ 55% sur les sous / overs. Outputs expected value for teams money lines to provide better insight. The fraction of your bankroll to bet based on the Kelly Criterion is also outputted. Notez qu'une approche populaire et moins risquée consiste à parier 50% de la participation recommandée par le critère de Kelly.

Packages utilisés

Utilisez Python 3.11. En particulier, les packages / bibliothèques utilisés sont ...

• Tensorflow - bibliothèque d'apprentissage automatique
• XGBOOST - Cadre de stimulation de gradient
• Numpy - Package pour l'informatique scientifique dans Python
• Pandas - manipulation et analyse des données
• Colorama - sortie de texte couleur
• TQDM - Barres de progression
• Demandes - bibliothèque HTTP
• Scikit_Learn - bibliothèque d'apprentissage automatique

Usage

Assurez-vous que tous les packages ci-dessus sont installés.

$ 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

Les données de cotes seront automatiquement récupérées à partir de SBRODDS si l'option -oDDS est fournie avec un Sportsbook. Options include: fanduel, draftkings, betmgm, pointsbet, caesars, wynn, bet_rivers_ny

Si -odds n'est pas donné, entrez manuellement les jeux Under / Over pour les jeux d'aujourd'hui après le démarrage du script.

Facultativement, vous pouvez ajouter '-kc' comme argument de ligne de commande pour voir la fraction recommandée de votre bankroll pour parier en fonction du bord du modèle

Application Web Flask

Ce dépôt comprend également une petite application FLASK pour aider à afficher les données de cet outil dans le navigateur. Pour l'exécuter:

 cd Flask
flask --debug run

Obtenir de nouveaux modèles de données et de formation

 # 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

Contributif

Toutes les contributions se sont bien accueillies et encouragées.