kyleskom/NBA-Machine-Learning-Sports-Betting

使用机器学习进行NBA体育博彩

是什么 – 一个Python项目，通过在历史球队统计数据和体育博彩赔率上训练机器学习模型，预测NBA比赛胜者（胜负盘）和总分（大/小分）。它还计算每笔投注的期望值，并可使用凯利准则建议投注金额。

主要组件

• 数据收集 – Get_Data 从NBA API抓取每日球队统计数据；Get_Odds_Data 从Sportsbook Review (SBR) 获取支持的博彩公司（如FanDuel、DraftKings等）的赔率和比分。两者均将原始数据存储在SQLite数据库中。
• 特征工程 – Create_Games 合并两个数据库，添加如休息天数等衍生字段，生成可用于训练的对位表。
• 模型 – 提供预构建脚本训练两类模型：
  • XGBoost（梯度提升树）用于胜负盘和总分预测。
  • 一个简单的前馈神经网络（TensorFlow）用于相同任务。
  • 同时也提供逻辑回归脚本。
• 预测脚本 – main.py 获取今日赛程，构建相同特征集，加载已保存模型，并输出：
  • 每支球队的胜率。
  • 在列出赔率下投注的期望值。
  • 可选的凯利准则建议投注资金比例。
• Web UI – 一个最小化的Flask应用（Flask/）允许你在浏览器中浏览最新预测结果。

如何运行

# 安装依赖
pip install -r requirements.txt

# 更新数据（仅首次运行）
cd src/Process-Data
python -m Get_Data
python -m Get_Odds_Data
python -m Create_Games

# 训练模型（可选 – 预训练模型已随项目提供）
cd ../Train-Models
python -m XGBoost_Model_ML --dataset dataset_2012-26 --trials 100 --splits 5 --calibration sigmoid
# …重复其他你想要的脚本

# 为今天进行预测
cd ../../
python3 main.py -xgb -odds=fanduel   # 使用XGBoost并自动获取FanDuel赔率

你可以添加 -nn 使用神经网络模型，-A 运行所有模型，或 -kc 显示凯利投注金额。

典型用例 – 体育博彩爱好者每天运行脚本，以数据驱动方式估算哪支NBA球队被体育博彩公司低估，并根据凯利准则资金管理策略确定最优投注金额。

局限性 –

• 模型仅基于截至当前赛季的数据训练；不包含实时信息（如阵容公布后的伤病情况）。
• 神经网络脚本硬编码了特定数据集路径，自定义数据可能需要手动编辑。
• 准确性取决于抓取的统计数据和赔率质量；源API的任何变更都可能导致管道中断。

贡献说明 – README邀请修改模型行为或数据管道的贡献，贡献者应相应更新文档。

---

以上所有信息均直接来自仓库的README；未推断任何额外功能。