kyleskom/NBA-Machine-Learning-Sports-Betting

使用機器學習進行NBA體育賭博

是什麼 – 一個Python專案，透過在歷史球隊統計數據與體育賭盤賠率上訓練機器學習模型，預測NBA比賽勝者（勝負盤）與總分（大/小分）。同時計算每筆投注的期望值，並可使用凱利準則建議投注金額。

主要組件

• 資料收集 – Get_Data 從NBA API抓取每日球隊統計數據；Get_Odds_Data 從Sportsbook Review (SBR) 取得支援的賭盤公司（如FanDuel、DraftKings等）的賠率與比分。兩者皆將原始資料儲存於SQLite資料庫中。
• 特徵工程 – Create_Games 合併兩個資料庫，加入如休息天數等衍生欄位，產生可用於訓練的對位表。
• 模型 – 提供預先建構的腳本訓練兩類模型：
  • XGBoost（梯度提升樹）用於勝負盤與總分預測。
  • 一個簡單的前饋神經網路（TensorFlow）用於相同任務。
  • 同時也提供邏輯回歸腳本。
• 預測腳本 – main.py 取得今日賽程，建構相同特徵集，載入已儲存模型，並輸出：
  • 每支球隊的勝率。
  • 在列出賠率下投注的期望值。
  • 可選的凱利準則建議投注資金比例。
• Web UI – 一個最小化的Flask應用（Flask/）讓你能在瀏覽器中瀏覽最新預測結果。

如何執行

# 安裝相依性
pip install -r requirements.txt

# 更新資料（僅首次執行）
cd src/Process-Data
python -m Get_Data
python -m Get_Odds_Data
python -m Create_Games

# 訓練模型（可選 – 預訓練模型已隨專案提供）
cd ../Train-Models
python -m XGBoost_Model_ML --dataset dataset_2012-26 --trials 100 --splits 5 --calibration sigmoid
# …重複其他你想要的腳本

# 為今天進行預測
cd ../../
python3 main.py -xgb -odds=fanduel   # 使用XGBoost並自動取得FanDuel賠率

你可以加入 -nn 使用神經網路模型，-A 執行所有模型，或 -kc 顯示凱利投注金額。

典型用例 – 體育賭博愛好者每天執行腳本，以資料驅動方式估算哪支NBA球隊被體育賭盤低估，並根據凱利準則資金管理策略決定最佳投注金額。

限制 –

• 模型僅基於截至當前賽季的資料訓練；不包含即時資訊（如陣容公布後的傷病情況）。
• 神經網路腳本硬編碼特定資料集路徑，自訂資料可能需要手動編輯。
• 准確性取決於抓取的統計資料與賠率品質；來源API的任何變更都可能導致管道中斷。

貢獻說明 – README邀請修改模型行為或資料管道的貢獻，貢獻者應相應更新文件。

---

以上所有資訊均直接來自倉儲的README；未推斷任何額外功能。