Aprendizaje automático de modelos para la predicción de resultados de partidos de la NBA

Abstract

Este trabajo trata sobre la predicción de los resultados de partidos propios de la NBA. Se estudia la forma en la que se obtienen los datos adecuados a partir de las fuentes de datos utilizadas. Una vez se tienen unos datos con un formato con el que trabajar, se plantean técnicas de aprendizaje automático (Regresión Lineal Múltiple, Regresión Logística, SVM, Perceptrón Multicapa, Random Forest, KVecinos, Naive Bayes) para llevar a cabo el objetivo, las cuales se van refinando según los resultados y los ajustes y modificaciones de los datos. En el apartado de los modelos de predicción, se realizan tres experimentos diferentes teniendo en cuenta distintos periodos de tiempo y formas en las que se obtienen los datos. Además de ésto, se implementa una herramienta mediante la que un usuario puede acceder a ciertos modelos ya guardados e interactuar con ella planteando ciertos partidos concretos para los que predecir el resultado. Esta herramienta aporta una idea del funcionamiento de cada modelo almacenado.

This project is about the prediction of the result of NBA games. It is studied the way that the data is obtained from the diferent data sources. Once the data is correctly formatted, there are several machine learning techniques explained (Multiple Linear Regression, Logistic Regression, SVM, Multilayer Perceptron, Random Forest, K-Nearest Neighbours, Naive Bayes). These are improved during the work in order to get a better performance. Moreover, the data is updated to include new variables or delete others with less importance. There can be seen three diferent experiments in the section of the predictive models. In addition to this, a tool is implemented for a user to interact with it and discover the performance of certain predictive models previously stored. A user can input a game to get the predictions out of it and get an idea of how the models work.