NBA Machine Learning Sports Betting

NBA Sports Aitting usando o aprendizado de máquina?

Uma IA de aprendizado de máquina usada para prever os vencedores e menos/overs de jogos da NBA. Leva todos os dados da equipe da temporada 2007-08 para a temporada atual, combinados com as chances desses jogos, usando uma rede neural para prever apostas vencedoras para os jogos de hoje. Atinge ~ 69% de precisão em linhas de dinheiro e ~ 55% em menos/overs. Os resultados esperados para as linhas de dinheiro das equipes fornecem uma melhor percepção. A fração da sua banca para apostar com base no critério Kelly também é emitida. Observe que uma abordagem popular e menos arriscada é apostar 50% da participação recomendada pelo Critério Kelly.

Pacotes usados

Use Python 3.11. Em particular, os pacotes/bibliotecas usados ​​são ...

• Tensorflow - Biblioteca de aprendizado de máquina
• XGBOOST - Estrutura de reforço de gradiente
• Numpy - Pacote para Computação Científica em Python
• Pandas - manipulação e análise de dados
• Colorama - saída de texto colorido
• TQDM - barras de progresso
• Solicitações - Biblioteca HTTP
• Scikit_learn - Biblioteca de aprendizado de máquina

Uso

Verifique se todos os pacotes acima estão instalados.

$ 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

Os dados de chances serão buscados automaticamente da SBRODDS se a opção -odds for fornecida com um sportsbook. As opções incluem: Fanduel, DraftKings, BETMGM, Pointsbet, Caesars, Wynn, Bet_rivers_NY

Se -odds não forem fornecidos, digite as abordagens e as chances de jogos de hoje depois de iniciar o script.

Opcionalmente, você pode adicionar '-kc' como um argumento da linha de comando para ver a fração recomendada da sua banca para apostar com base na borda do modelo

Flask Web App

Este repositório também inclui um pequeno aplicativo de frasco para ajudar a visualizar os dados dessa ferramenta no navegador. Para executá -lo:

 cd Flask
flask --debug run

Obtendo novos dados e modelos de treinamento

 # 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

Contribuindo

Todas as contribuições foram bem -vindas e encorajadas.