CommunityRecherche & Datenanalysegithub.com

Fußball-Ergebnismodell

Codex-Skill, das jedes unterstützte Länderspiel aus Rohdaten modelliert – mit gegnerbereinigtem ELO, gewichteter Poisson-Regression, Dixon-Coles und Monte-Carlo-Simulation.

Was ist Fußball-Ergebnismodell?

Dieses Skill ermöglicht es KI-Agenten, präzise Wahrscheinlichkeiten für Länderspiele (z. B. „Argentinien vs. Ägypten“) zu berechnen – ausschließlich auf Basis abgeschlossener Rohdaten, ohne Wettquoten oder Vorhersagen. Es verwendet ein gebündeltes Modell mit gegnerbereinigtem ELO, einer gedeckelten historischen A-priori-Verteilung, gewichteter Poisson-Regression, Elite-Gegner-Korrektur, Dixon-Coles-Anpassung und mindestens 50.000 Monte-Carlo-Simulationen. Unterstützt werden Codex-basierte Plattformen; die Ausführung erfolgt über `scripts/run_model.py` mit Python 3.10+. Das Skill erzwingt eine harte Prüfung durch `hard_audit.json` (alle Prüfungen müssen bestanden sein) und gibt detaillierte Ergebnisse aus: λ-Werte, Sieg/Unentschieden/Niederlage mit 95%-Intervallen, häufigste Ergebnisse, Gegnerstärke, Prior-Einfluss sowie Warnungen. Für die Arbeit mit dem Skill sind keine Wettseiten oder Expertenmeinungen nötig – nur der Spielname und optional eine CSV mit Rohdaten. Entwickler und Agenten sollten die in der SKILL.md dokumentierten Regeln strikt befolgen, insbesondere die Cutoff-Daten, die Neutralfeld-Annahme und die gedeckelten Gewichte für ältere Daten.

Funktioniert mit~Claude Code✓Codex CLI~Cursor
npx skills add 565721014-art/football-score-model

Installed? Explore more Recherche & Datenanalyse skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

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.json vor der Ergebnisberichterstattung all_passed: true meldet.
  • Geben Sie Lambdas, Sieg/Unentschieden/Niederlage mit 95%-Intervallen, häufigste Ergebnisse, Gegnerstärke, Prior-Einfluss und Warnungen aus prediction.json aus.

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

  1. Akzeptieren Sie eine Begegnung als einzige erforderliche Benutzereingabe. Normalisieren Sie übersetzte Teamnamen bei Bedarf auf die genauen Bezeichnungen des Datensatzes.
  2. Verwenden Sie eine lokale CSV mit Rohdaten, wenn der Benutzer eine bereitstellt. Andernfalls lassen Sie den Runner seine Standard-CSV mit Rohdaten direkt herunterladen.
  3. Durchsuchen oder verwenden Sie niemals Quoten, Tipps, Prognosen, Expertenvorhersagen, Social-Media-Vorhersagen oder vorgefertigte Vorhersageartikel.
  4. Führen Sie scripts/run_model.py mit Python 3.10+ und den Paketen in scripts/requirements.txt aus.
  5. Lesen Sie zuerst hard_audit.json. Lehnen Sie den Lauf ab, wenn all_passed falsch ist.
  6. Lesen Sie prediction.json und 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.

Verwandte Skills