JakeKandell/NBA-Predict

🏀 NBA-Predict: Dự báo trận đấu NBA bằng hồi quy logistic

Dự báo kết quả trận đấu NBA hàng ngày chỉ trong 1-3 phút, dựa trên tám chỉ số thống kê được chuẩn hóa theo tỷ lệ 100 hiệp.

NBA-Predict là một dự án Python do JakeKandell phát triển, dùng để dự báo kết quả các trận bóng NBA. Mô hình sử dụng hồi quy logistic (scikit-learn) kết hợp tám yếu tố được thu thập từ stats.nba.com, trong đó mỗi chỉ số đều được chỉnh chuẩn theo tỷ lệ trên 100 hiệp (per 100 possessions) để loại bỏ ảnh hưởng tốc độ trận đấu (pace).

✨ Điểm nổi bật

• Hồi quy logistic: Sử dụng mô hình hồi quy logistic từ scikit-learn để phân loại kết quả thắng/thua.
• Tám chỉ số thống kê: Bao gồm tỷ lệ thắng, số bật, lỗi bỡ, plus-minus, chỉ số tấn công/phòng thủ và tỷ lệ bắn trúng thực (true shooting percentage).
• Chuẩn hóa theo hiệp: Các chỉ số được điều chỉnh về 100 hiệp để đảm bảo tốc độ trận đấu không ảnh hưởng dự báo.
• Dự báo hàng ngày: Hỗ trợ dự báo kết quả trận đấu trong ngày với thời gian chạy khoảng 1-3 phút.
• Dự báo lịch sử: Cho phép chạy mô hình trên khung thời gian đã qua và xuất kết quả ra hai tệp CSV.
• Xuất kết quả dạng phần trăm: Kết quả dự báo là phần trăm khả năng đội nhà thắng trận.
• Đánh giá mô hình: Cung cấp ma trận nhầm lẫn cùng các chỉ số độ chính xác, độ chính xác dương tính và độ nhớ (accuracy, precision, recall).

💡 Vì sao đáng chú ý

Không giống các mô hình dự báo phức tạp với hàng trăm tính năng, NBA-Predict giữ mô hình đơn giản nhưng hiệu quả bằng cách lựa chọn tám chỉ số cốt lõi và chuẩn hóa chúng theo hiệp bóng. Cách tiếp cận này giúp mô hình tránh bị "lệ thuận" do tốc độ trận đấu khác nhau, đồng thời kết quả đầu ra dưới dạng phần trăm dễ hiểu, phù hợp cho người dùng muốn nhanh chóng nắm bắt xu hướng trận đấu mà không cần kiến thức sâu về machine learning.

Mô hình đạt độ chính xác 70.37% trên tổng số 756 trận, với precision đạt 73.67% và recall đạt 80.65%, khẳng định khả năng dự báo ổn định trên dữ liệu lịch sử.

---

#NBA #LogisticRegression #MachineLearning #Python #NBAAnalytics #TiniX