利用机器学习进行NBA体育博彩

概述

该项目利用球队统计数据和博彩公司赔率来预测NBA比赛的胜负及大小分结果。它会抓取从2007-08赛季至今的球队数据，构建对阵特征，并运行训练好的模型以估算胜率和大小分结果。此外，还会输出期望值以及可选的凯利公式投注额度计算。

功能

• 胜负盘和大小分预测（XGBoost和神经网络模型）。
• 期望值计算及可选的凯利公式投注额度调整。
• 支持从指定博彩公司获取赔率或手动输入赔率。
• 数据处理流水线和模型训练脚本。
• Flask Web应用用于浏览输出结果。

工作原理

1. 收集数据和赔率：Get_Data每天从NBA接口获取球队统计数据并存储到SQLite数据库中。Get_Odds_Data则从SBR网站抓取博彩公司的赔率和比赛得分信息，存入另一个SQLite数据库。
2. 构建比赛特征：Create_Games将球队数据、赔率、得分以及休息天数等信息合并成训练数据集。
3. 训练模型：在src/Train-Models目录下的XGBoost和神经网络脚本分别用于拟合胜负盘和大小分模型。
4. 预测当日比赛：main.py会获取当天赛程，生成对阵特征，加载训练好的模型，并输出预测结果、期望值及可选的凯利公式投注额度。

环境要求

• Python 3.11
• 所需库：Tensorflow、XGBoost、NumPy、Pandas、Colorama、Tqdm、Requests、Scikit-learn

安装依赖：

pip3 install -r requirements.txt

快速入门

python3 main.py -xgb -odds=fanduel

当提供-odds参数时，系统会自动抓取赔率。支持的博彩公司包括： fanduel、draftkings、betmgm、pointsbet、caesars、wynn、bet_rivers_ny

若省略-odds参数，程序将提示用户手动输入赔率和大小分。

可选参数：

• -nn 运行神经网络模型
• -xgb 运行XGBoost模型
• -A 运行所有模型
• -kc 显示凯利公式计算出的资金分配比例

Flask Web应用

cd Flask
flask --debug run

数据流水线与模型训练

# 创建或更新数据集
cd src/Process-Data
python -m Get_Data
python -m Get_Odds_Data
python -m Create_Games

# 训练模型
cd ../Train-Models
python -m XGBoost_Model_ML --dataset dataset_2012-26 --trials 100 --splits 5 --calibration sigmoid
python -m XGBoost_Model_UO --dataset dataset_2012-26 --trials 100 --splits 5 --calibration sigmoid
python -m NN_Model_ML
python -m NN_Model_UO
python -m Logistic_Regression_ML --dataset dataset_2012-26_new --trials 50 --splits 5 --calibration sigmoid
python -m Logistic_Regression_UO --dataset dataset_2012-26_new --trials 50 --splits 5 --calibration sigmoid

关于神经网络的说明

• 当前的神经网络训练脚本是原始版本，其中数据集路径和模型保存路径均被硬编码。
• 它们基于dataset_2012-24_new进行训练，并按时间戳命名后保存至Models/目录下。
• 若希望使用可配置的参数或引入特征/归一化文件，建议切换回较新的神经网络脚本。

补充缺失数据

Get_Data通常只抓取当前赛季的新日期。如需填补缺失日期：

cd src/Process-Data
python -m Get_Data --backfill

若要补全某一特定赛季的数据：

cd src/Process-Data
python -m Get_Data --backfill --season 2025-26

补充赔率数据

Get_Odds_Data通常也只抓取当前赛季的新日期。如需填补缺失的赔率数据：

cd src/Process-Data
python -m Get_Odds_Data --backfill

若要补全某一特定赛季的赔率数据：

cd src/Process-Data
python -m Get_Odds_Data --backfill --season 2025-26

贡献

欢迎各位贡献代码！若您修改了模型行为或数据流水线，请在README中添加说明，并相应更新相关脚本或文档。

NBA 机器学习体育博彩工具快速上手指南

本项目利用机器学习（XGBoost 和神经网络）预测 NBA 比赛胜负及总分（大小分）。它整合了球队统计数据与博彩公司赔率，计算预期价值（EV）并提供可选的凯利公式注码建议。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统：Linux, macOS 或 Windows
• Python 版本：Python 3.11
• 核心依赖库：
  • Tensorflow
  • XGBoost
  • NumPy, Pandas, Scikit-learn
  • Requests, Colorama, Tqdm

国内开发者提示：建议使用国内镜像源加速依赖安装，例如清华源或阿里源。

安装步骤

1. 克隆项目代码（如果尚未下载）：

   git clone https://github.com/kyleskom/NBA-Machine-Learning-Sports-Betting.git
   cd NBA-Machine-Learning-Sports-Betting
   

2. 安装 Python 依赖： 推荐使用国内镜像源进行安装以提高速度：

   pip3 install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   

基本使用

完成安装后，您可以直接运行主脚本获取今日的赛事预测。

最简单的使用示例

以下命令将自动从 FanDuel 获取赔率，并使用 XGBoost 模型生成预测结果（包含胜负、大小分、预期价值及凯利公式建议）：

python3 main.py -xgb -odds=fanduel

常用参数说明

• 赔率来源 (-odds)： 支持自动抓取以下博彩公司的赔率：fanduel, draftkings, betmgm, pointsbet, caesars, wynn, bet_rivers_ny。

  • 若省略 -odds 参数，脚本将提示您手动输入赔率和总分数据。

• 模型选择：

  • -xgb：运行 XGBoost 模型（推荐，速度快）。
  • -nn：运行神经网络模型。
  • -A：同时运行所有可用模型。

• 资金管理：

  • -kc：显示基于凯利公式的建议投注比例。

完整示例组合

同时运行所有模型，使用 DraftKings 赔率，并显示凯利公式注码建议：

python3 main.py -A -odds=draftkings -kc

启动 Web 界面（可选）

如果您希望通过浏览器查看预测结果，可以启动内置的 Flask 应用：

cd Flask
flask --debug run

启动后，在浏览器访问本地地址（通常为 http://127.0.0.1:5000）即可浏览输出结果。