NBA Machine Learning Sports Betting

Спортивные ставки NBA с использованием машинного обучения?

ИИ машинного обучения использовалось для прогнозирования победителей и под/оверов игр НБА. Снимает все данные команды с сезона 2007-08 до текущего сезона, сочетающимся с шансами на эти игры, используя нейронную сеть для прогнозирования победных ставок для сегодняшних игр. Достигает ~ 69% точности на денежных линиях и ~ 55% на/под/овер. Выходные данные ожидаем, что для команд денежные линии, чтобы обеспечить лучшее понимание. Доля вашего банкролла для ставки на основе критерия Келли также выводится. Обратите внимание, что популярный, менее рискованный подход заключается в том, чтобы делать 50% доли, рекомендованного критерием Келли.

Пакеты используются

Используйте Python 3.11. В частности, используемые пакеты/библиотеки ...

• Tensorflow - библиотека машинного обучения
• Xgboost - градиент -рамка повышения
• Numpy - пакет для научных вычислений в Python
• Панды - Манипуляция и анализ данных
• Colorama - Вывод цвета текста
• TQDM - Прогресс -бары
• Запросы - библиотека HTTP
• Scikit_learn - библиотека машинного обучения

Использование

Убедитесь, что все пакеты установлены.

$ 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

Данные шансов будут автоматически извлечены из SBRODDS, если опция -odds предоставлена ​​спортивной книгой. Варианты включают: Fanduel, DraftKings, Betmgm, Pointsbet, Caesars, Wynn, Bet_rivers_ny

Если -odds не даны, введите Under/Over и шансы на сегодняшние игры вручную после запуска сценария.

Необязательно, вы можете добавить «kc» в качестве аргумента командной строки, чтобы увидеть рекомендованную долю вашего банкролла для ставки на основе края модели

Flask Web App

Это репо также включает в себя небольшое приложение Flask, которое поможет просмотреть данные из этого инструмента в браузере. Чтобы запустить:

 cd Flask
flask --debug run

Получение новых данных и обучающих моделей

 # 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

Внося

Все вклады приветствовались и поощрялись.