NBA Machine Learning Sports Betting

使用机器学习的NBA体育博彩？

一种用于预测获胜者和下/跨越NBA游戏的机器学习人工智能。将所有团队数据从2007-08赛季到本赛季都与这些游戏的几率相匹配，并使用神经网络预测当今游戏的获胜赌注。在货币线上达到约69％的准确性，下/售价为55％。团队货币线的预期价值提供更好的见解。还输出了基于Kelly标准的BET的资金分数。请注意，一种流行，风险较小的方法是押注Kelly Criterion推荐的50％的股份。

使用的软件包

使用Python 3.11。特别是使用的软件包/库是...

• TensorFlow-机器学习库
• XGBOOST-梯度提升框架
• numpy- python中的科学计算包
• 熊猫 - 数据操纵和分析
• Colorama-颜色文本输出
• TQDM-进度条
• 请求-HTTP库
• Scikit_learn-机器学习库

用法

确保已安装上面的所有软件包。

$ 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

如果提供-ODDS选项，则赔率数据将自动从Sbrodds获取。选项包括：Fanduel，DraftKings，Betmgm，Pointsbet，Caesars，Wynn，BET_RIVERS_NY

如果没有给出-odds ，请在启动脚本后手动输入今天的游戏中的下/赔率。

可选，您可以将'-kc'作为命令行参数添加，以根据模型的边缘查看投资的推荐分数

Blask Web应用程序

此存储库还包括一个小型烧瓶应用程序，可帮助您在浏览器中查看此工具的数据。运行它：

 cd Flask
flask --debug run

获取新的数据和培训模型

 # 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

贡献

所有贡献都受到欢迎和鼓励。