NBA-Machine-Learning-Sports-Betting

环境要求

• Python 3.11
• 已安装 pip3 并能访问 PyPI
• 需要网络访问 NBA 数据接口与 SBR 赔率源

安装与启动步骤

1. 1克隆项目仓库

   从 GitHub 拉取项目源码到本地，后续所有命令都在该目录下执行。

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

   复制

2. 2进入项目目录

   切换到克隆下来的项目根目录，确认能看到 main.py 和 requirements.txt。

   cd NBA-Machine-Learning-Sports-Betting

   复制

3. 3安装 Python 依赖

   按 README 要求用 pip3 安装 Tensorflow、XGBoost、Pandas、Scikit-learn 等依赖包。

   pip3 install -r requirements.txt

   复制

4. 4抓取球队数据

   README 说明 Get_Data 会从 NBA 接口抓取每日球队数据并写入 SQLite，需先准备训练数据。

   python3 Get_Data.py

   复制

5. 5抓取赔率数据

   Get_Odds_Data 从 SBR 拉取博彩赔率与比分，存入独立的 SQLite 数据库。

   python3 Get_Odds_Data.py

   复制

6. 6构建比赛特征

   Create_Games 合并球队数据、赔率、比分与休息天数，生成训练数据集。

   python3 Create_Games.py

   复制

7. 7训练模型

   在 src/Train-Models 下运行 XGBoost/NN 脚本，分别拟合胜负与大小分模型。

   python3 src/Train-Models/Train-Models.py

   复制

8. 8运行预测

   执行 main.py 抓取当日赛程并输出预测、期望值，用 -odds 指定博彩公司自动获取赔率。

   python3 main.py -xgb -odds=fanduel

   复制

关键配置

如何确认成功

main.py 正常打印当日比赛的胜负/大小分预测概率、期望值，未报模型缺失或数据加载错误即成功。

常见问题

注意事项

• 数据与赔率分别存放在两个 SQLite 数据库，重复抓取前注意是否会覆盖或追加历史数据。
• 赔率抓取依赖 SBR 等外部来源，接口变动或访问受限会导致 Get_Odds_Data 失败。
• README 未给出各脚本的详细参数说明，使用前建议先阅读对应源码。
• 本项目仅用于数据分析与机器学习学习，预测结果不构成任何投注建议。