Was macht Fußball-Ergebnismodell?
Verwenden Sie das gebündelte Modell; ersetzen Sie es niemals durch informelle Schätzungen oder reine Tore-Rankings.
Ausführen
python scripts/run_model.py --fixture "Argentinien vs Ägypten" --output-dir output
Nur die Begegnung ist erforderlich. Normalisieren Sie übersetzte Teamnamen bei Bedarf auf die Bezeichnungen des Datensatzes.
Regeln
- Verwenden Sie ausschließlich abgeschlossene rohe Länderspielergebnisse; niemals Quoten, Tipps, Prognosen oder Vorhersageartikel.
- Ermitteln Sie Zieldatum, Wettbewerb, K.o.-Phase, Neutralfeld-Status und Heim/Auswärts-Reihenfolge aus der rohen Spielzeile.
- Setzen Sie den Cutoff auf das früheste von: Spieltag minus eins, Ausführungsdatum und letztes abgeschlossenes Quelldatum.
- Wenden Sie gegnerbereinigtes ELO, gedeckelte historische A-priori-Verteilung, gewichtete Poisson-Regression, Elite-Gegner-Korrektur, Dixon-Coles und mindestens 50.000 Simulationen an.
- Fordern Sie, dass
hard_audit.jsonvor der Ergebnisberichterstattungall_passed: truemeldet. - Geben Sie Lambdas, Sieg/Unentschieden/Niederlage mit 95%-Intervallen, häufigste Ergebnisse, Gegnerstärke, Prior-Einfluss und Warnungen aus
prediction.jsonaus.
Lesen Sie references/model-spec.md nur, wenn Formeln oder Prüfdetails benötigt werden. Rufen Sie scripts/model_engine.py nur über scripts/run_model.py auf.
name: model-football-scorelines beschreibung: Berechnen Sie neutrale Wahrscheinlichkeiten für K.o.-Spiele der WM 2026 nur aus einem Spielnamen mithilfe des gegnerbereinigten ELO, der gedeckelten historischen A-priori-Verteilung, der gewichteten Poisson-Regression, der Elite-Gegner-Korrektur, der Dixon-Coles-Anpassung und des Monte-Carlo-Modells. Verwenden Sie dies, wenn Codex eine Begegnung wie „Argentinien gegen Ägypten“ erhält und nach Wahrscheinlichkeiten für Sieg/Unentschieden/Niederlage, erwarteten Toren, häufigsten Ergebnissen, Gegnerstärke-Diagnostiken oder historischen Prior-Prüfungen gefragt wird – ohne Wettquoten, Vorhersageseiten, Expertenprognosen oder vorgefertigte Vorhersagen.
Modell für Fußball-Ergebnisse
Führen Sie das gebündelte deterministische Modell aus; ersetzen Sie es nicht durch informelle Schätzungen oder eine reine Tore-Berechnung.
Arbeitsablauf
- Akzeptieren Sie eine Begegnung als einzige erforderliche Benutzereingabe. Normalisieren Sie übersetzte Teamnamen bei Bedarf auf die genauen Bezeichnungen des Datensatzes.
- Verwenden Sie eine lokale CSV mit Rohdaten, wenn der Benutzer eine bereitstellt. Andernfalls lassen Sie den Runner seine Standard-CSV mit Rohdaten direkt herunterladen.
- Durchsuchen oder verwenden Sie niemals Quoten, Tipps, Prognosen, Expertenvorhersagen, Social-Media-Vorhersagen oder vorgefertigte Vorhersageartikel.
- Führen Sie
scripts/run_model.pymit Python 3.10+ und den Paketen inscripts/requirements.txtaus. - Lesen Sie zuerst
hard_audit.json. Lehnen Sie den Lauf ab, wennall_passedfalsch ist. - Lesen Sie
prediction.jsonund melden Sie jedes angeforderte Dataset, den Gegner, roh-gegen-bereinigt, Prior-Einfluss, Parameter, Ergebnis, Ergebnislinie und Diagnosefeld.
Befehl
python scripts/run_model.py `
--fixture "Argentinien vs Ägypten" `
--output-dir output
Der Runner findet die zukünftige, noch nicht gespielte Begegnung, liest deren Datum und neutrale WM-Metadaten und verwendet den Tag vor dem Spiel als inklusiven Cutoff. Fügen Sie --source C:\pfad\ergebnisse.csv hinzu, um eine vorhandene CSV mit Rohdaten zu verwenden. Verwenden Sie --cutoff oder --target-date nur für eine explizite Benutzerüberschreibung. Behalten Sie mindestens 50.000 Simulationen bei.
Erforderliches Verhalten
- Behandeln Sie das Ziel als neutral und fügen Sie keinen Heimvorteil hinzu.
- Verwenden Sie nur abgeschlossene Spiele vom 01.01.2018 bis zum Cutoff.
- Behandeln Sie 2022 und danach als primäres Fenster und 2018–2021 als schwachen Prior.
- Halten Sie jedes effektive Teamgewicht vor 2022 bei oder unter 8 %.
- Halten Sie die explizite historische Prior-λ-Mischung bei oder unter 5 % und skalieren Sie sie neu, wenn sich eine der λ-Werte um mehr als 5 % bewegt.
- Fordern Sie gegnerisches ELO und gegnerqualitätsbereinigung; bewerten Sie Angriff niemals nur anhand roher Tore.
- Verwenden Sie die vom Modell implementierte Elite-Schwelle und Fallback-Regeln.
- Schätzen Sie den WM-K.o.-Effekt nur aus gültigen abgeschlossenen Beobachtungen.
- Wenden Sie Dixon-Coles erst an, nachdem die endgültigen Lambdas berechnet wurden.
- Geben Sie die exakte bereinigte Ergebnismatrix sowie 50.000-Draw-Simulationswahrscheinlichkeiten und Wilson-95 %-Intervalle zurück.
- Überprüfen Sie, ob das gemeldete wahrscheinlichste Ergebnis dem Matrix-Argmax entspricht.
Lesen Sie references/model-spec.md, wenn Sie Formeln, Gewichte, Diagnostiken oder Ausgabesemantik prüfen. Das ausführbare Modell befindet sich in scripts/model_engine.py; rufen Sie es über scripts/run_model.py auf, damit Konfiguration und harte Prüfungen angewendet werden.