565721014-art/football-score-model

Compétence Codex qui modélise n'importe quel match de sélection nationale à partir de résultats bruts en utilisant l'ELO ajusté à l'adversaire, le Poisson pondéré, Dixon-Coles et Monte Carlo.

Qu'est-ce que football-score-model ?

Cette compétence pour Codex permet de prédire les scores de matchs de football de sélections nationales (y compris les rencontres à élimination directe de la Coupe du Monde) à partir uniquement du nom de la confrontation. Elle utilise un modèle déterministe intégré combinant plusieurs techniques avancées : classement ELO ajusté à l'adversaire, prior historique plafonné, régression de Poisson pondérée, correction pour les adversaires d'élite, ajustement Dixon-Coles, et au moins 50 000 simulations Monte Carlo. La compétence lit les données brutes de résultats nationaux terminés, sans jamais utiliser de cotes, pronostics ou articles de prédiction. Elle est utile pour obtenir des probabilités victoire/nul/défaite, des buts attendus, les scores les plus probables, des diagnostics de force adverse et des audits de prior historique. Après exécution, elle vérifie un fichier `hard_audit.json` pour s'assurer de l'intégrité du modèle avant de rapporter les résultats via `prediction.json`. Supports Windows (PowerShell) et nécessite Python 3.10+.

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

Installed? Explore more Recherche et analyse de données skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Modèle de Scores de Football

Utilisez le modèle fourni ; ne remplacez jamais par des estimations informelles ou des classements basés uniquement sur les buts bruts.

Exécution

python scripts/run_model.py --fixture "Argentina vs Egypt" --output-dir output

Seul le match est obligatoire. Normalisez les noms d'équipes traduits vers les libellés du jeu de données si nécessaire.

Règles

  • Utilisez uniquement les résultats bruts de matchs de sélections nationales terminés ; n'utilisez jamais de cotes, conseils, prévisions ou articles de prédiction.
  • Déterminez la date cible, la compétition, la phase à élimination directe, le statut neutre et l'ordre domicile/extérieur à partir de la ligne brute du match.
  • Fixez la date limite à la plus précoce entre : la veille du match, la date d'exécution et la date de la dernière source complétée.
  • Appliquez l'ELO ajusté à l'adversaire, le prior historique plafonné, le Poisson pondéré, la correction pour adversaire d'élite, Dixon-Coles, et au moins 50 000 simulations.
  • Exigez que hard_audit.json signale all_passed: true avant de rapporter les résultats.
  • Rapporte les lambdas, victoire/nul/défaite avec intervalles à 95 %, meilleurs scores, force adverse, impact du prior et avertissements depuis prediction.json.

Lisez references/model-spec.md uniquement lorsque les formules ou les détails d'audit sont nécessaires. Invoquez scripts/model_engine.py uniquement via scripts/run_model.py.


name: model-football-scorelines description: Calcule les probabilités de scores de matchs à élimination directe neutres de la Coupe du Monde 2026 à partir uniquement du nom du match en utilisant l'ELO ajusté à l'adversaire, le prior historique plafonné, la régression de Poisson pondérée, la correction pour adversaire d'élite, l'ajustement Dixon-Coles et le modèle Monte Carlo. À utiliser lorsque Codex reçoit une confrontation comme "Argentina vs Egypt" et qu'on lui demande les probabilités victoire/nul/défaite, les buts attendus, les meilleurs scorelines, les diagnostics de force adverse ou les audits de prior historique sans cotes de paris, sites de prédiction, prévisions d'experts ou prédictions précalculées.

Modéliser les Scores de Football

Exécutez le modèle déterministe fourni ; ne le remplacez pas par des estimations informelles ou un calcul basé uniquement sur les buts bruts.

Flux de travail

  1. Acceptez un match comme seule entrée utilisateur obligatoire. Normalisez les noms d'équipes traduits vers les libellés exacts du jeu de données si nécessaire.
  2. Utilisez un fichier CSV de résultats bruts local lorsque l'utilisateur en fournit un. Sinon, laissez le lanceur télécharger son fichier CSV de résultats bruts par défaut directement.
  3. Ne naviguez jamais et n'utilisez jamais de cotes, conseils, prévisions, prédictions d'experts, prédictions de réseaux sociaux ou articles de prédiction précalculés.
  4. Exécutez scripts/run_model.py avec Python 3.10+ et les paquets dans scripts/requirements.txt.
  5. Lisez hard_audit.json en premier. Rejetez l'exécution si all_passed est faux.
  6. Lisez prediction.json et rapportez tous les ensembles de données, adversaires, bruts vs ajustés, impact du prior, paramètres, résultats, scorelines et champs de diagnostic demandés.

Commande

python scripts/run_model.py `
  --fixture "Argentina vs Egypt" `
  --output-dir output

Le lanceur localise le futur match non joué, lit sa date et ses métadonnées de Coupe du Monde neutre, et utilise la veille du match comme date limite inclusive. Ajoutez --source C:\path\results.csv pour utiliser un CSV brut existant. Utilisez --cutoff ou --target-date uniquement pour une substitution explicite de l'utilisateur. Gardez au moins 50 000 simulations.

Comportement requis

  • Traitez la cible comme neutre et n'ajoutez aucun avantage domicile.
  • Utilisez uniquement les matchs terminés du 2018-01-01 jusqu'à la date limite.
  • Traitez la période 2022 à aujourd'hui comme fenêtre principale et 2018-2021 comme un prior faible.
  • Maintenez chaque poids effectif au niveau de l'équipe avant 2022 à 8 % ou moins.
  • Maintenez le mélange explicite de lambda du prior historique à 5 % ou moins et rééchelonnez-le si l'un ou l'autre lambda se déplace de plus de 5 %.
  • Exigez l'ELO de l'adversaire et l'ajustement de la qualité de l'adversaire ; ne classez jamais l'attaque à partir des seuls buts bruts.
  • Utilisez le seuil d'élite et les règles de repli implémentés par le modèle.
  • Estimez l'effet d'élimination directe de la Coupe du Monde uniquement à partir d'observations valides terminées.
  • Appliquez Dixon-Coles uniquement après que les lambdas finaux sont calculés.
  • Renvoyez la matrice de scores ajustée exacte, ainsi que les probabilités de simulation sur 50 000 tirages et les intervalles de Wilson à 95 %.
  • Vérifiez que le score le plus probable rapporté est égal à l'argmax de la matrice.

Lisez references/model-spec.md lors de l'audit des formules, des poids, des diagnostics ou de la sémantique de sortie. Le modèle exécutable se trouve dans scripts/model_engine.py ; invoquez-le via scripts/run_model.py afin que la configuration et les vérifications strictes soient appliquées.

Skills associés