NBA Machine Learning Sports Betting

Taruhan Olahraga NBA Menggunakan Pembelajaran Mesin?

AI pembelajaran mesin digunakan untuk memprediksi pemenang dan di bawah/overs dari game NBA. Mengambil semua data tim dari musim 2007-08 ke musim saat ini, cocok dengan kemungkinan permainan tersebut, menggunakan jaringan saraf untuk memprediksi taruhan pemenang untuk pertandingan hari ini. Mencapai ~ 69% akurasi pada lini uang dan ~ 55% di bawah/overs. Output nilai yang diharapkan untuk tim lini uang untuk memberikan wawasan yang lebih baik. Fraksi bankroll Anda untuk bertaruh berdasarkan kriteria Kelly juga dikeluarkan. Perhatikan bahwa pendekatan yang populer dan kurang berisiko adalah bertaruh 50% dari saham yang direkomendasikan oleh kriteria Kelly.

Paket digunakan

Gunakan Python 3.11. Khususnya paket/pustaka yang digunakan adalah ...

• TensorFlow - Perpustakaan Pembelajaran Mesin
• XGBoost - Kerangka Peningkatan Gradien
• Numpy - Paket untuk Komputasi Ilmiah di Python
• PANDAS - Manipulasi dan analisis data
• Colorama - Output Teks Warna
• TQDM - Progress Bars
• Permintaan - Perpustakaan HTTP
• SCITIT_LEARN - Perpustakaan Pembelajaran Mesin

Penggunaan

Pastikan semua paket di atas diinstal.

$ 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

Data Ondds akan secara otomatis diambil dari SBRODDS jika opsi -ODDS dilengkapi dengan sportbook. Opsi meliputi: Fanduel, DraftKings, Betmgm, Pointbet, Caesars, Wynn, Bet_rivers_ny

Jika -odds tidak diberikan, masukkan Under/Over dan Ondds untuk game hari ini secara manual setelah memulai skrip.

Secara opsional, Anda dapat menambahkan '-kc' sebagai argumen baris perintah untuk melihat fraksi yang disarankan dari bankroll Anda untuk bertaruh berdasarkan tepi model

Aplikasi Web Flask

Repo ini juga mencakup aplikasi Flask kecil untuk membantu melihat data dari alat ini di browser. Untuk menjalankannya:

 cd Flask
flask --debug run

Mendapatkan Data Baru dan Model Pelatihan

 # 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

Berkontribusi

Semua kontribusi disambut dan didorong.