Community研究&データ分析github.com

football-score-model

Codexスキル。生の試合結果から、対戦相手調整ELO、重み付きポアソン、Dixon-Coles、モンテカルロ法を用いて、任意のサポート対象ナショナルチームの試合をモデル化します。

football-score-model とは?

このスキルは、指定されたナショナルチームの対戦(例:「アルゼンチン vs エジプト」)に対し、純粋に過去の生の試合結果のみをデータソースとして使用し、オッズや予測記事などの外部情報を一切使わずに、勝敗確率、期待ゴール数、スコアライン確率などの予測を計算します。 主な特徴として、対戦相手の強さを調整したELOレーティング、重み付きポアソン回帰、エリート対戦補正、Dixon-Coles調整、そして少なくとも50,000回のモンテカルロシミュレーションを組み合わせた高度な統計モデルを採用しています。内部では厳格な監査プロセス(`hard_audit.json`による全チェック合格必須)が実行され、結果の信頼性を確保します。 対応プラットフォームはCodex/Claude CodeなどのAIエージェントであり、ユーザーは「アルゼンチン vs エジプト のスコア予測をして」といった自然言語の指示を出すだけで、スクリプト`scripts/run_model.py`を呼び出して結果を得られます。モデルは決勝トーナメント(中立地)の試合に特化しており、ホームアドバンテージは加算されません。 このスキルは、スポーツデータ分析、機械学習パイプライン、特に厳密なバリデーションを重視する開発者やデータサイエンティストにとって有用です。生データから科学的な手法で予測を生成するため、あいまいな推測や単純なゴールランキングを排除し、再現可能で検証可能な結果を提供します。

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

Installed? Explore more 研究&データ分析 skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →

お気に入りのAIに質問する

このエージェントスキルを事前に読み込んだ状態で新しいチャットを開きます。

ドキュメント

Football Score Model(サッカースコアモデル)

バンドルされているモデルを使用してください。非公式の推定や生ゴール数のみのランキングは絶対に使用しないでください。

実行

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

必須なのはfixtureのみです。必要に応じて、翻訳されたチーム名をデータセットのラベルに正規化してください。

ルール

  • 完了した生のナショナルチーム結果のみを使用すること。オッズ、ヒント、予測、予測記事は決して使用しないこと。
  • 対象日付、大会、ノックアウトステージ、中立地ステータス、ホーム/アウェイの順序を生のfixture行から解決すること。
  • カットオフは「試合日マイナス1日」「実行日」「最新の完了ソース日」のうち最も早い日付に設定すること。
  • 対戦相手調整ELO、上限付き過去事前分布、重み付きポアソン、エリート対戦補正、Dixon-Coles、そして少なくとも50,000回のシミュレーションを適用すること。
  • 結果を報告する前に、hard_audit.jsonがall_passed: trueを報告することを必須とすること。
  • prediction.jsonから、ラムダ値、勝/分/敗の95%区間、トップスコア、対戦相手の強さ、事前分布の影響、警告を報告すること。

数式や監査の詳細が必要な場合にのみ、references/model-spec.mdを参照してください。scripts/model_engine.pyはscripts/run_model.pyを通してのみ呼び出してください。

name: model-football-scorelines description: ユーザーの対戦相手調整ELO、上限付き過去事前分布、重み付きポアソン回帰、エリート対戦補正、Dixon-Coles調整、モンテカルロモデルを使用して、中立地の2026年ワールドカップノックアウトステージのスコアライン確率を、fixture名のみから計算します。Codexが「Argentina vs Egypt」のような対戦カードを入力され、ナショナルチームの勝/分/敗確率、期待ゴール数、トップスコアライン、対戦相手強度診断、または過去事前分布監査を、オッズ、予測サイト、専門家予測、または事前計算された予測なしで求められた場合に使用します。

Model Football Scorelines(サッカースコアラインのモデリング)

バンドルされた決定論的モデルを実行してください。非公式の推定や生ゴール数のみの計算で置き換えないでください。

ワークフロー

  1. 唯一の必須ユーザー入力としてfixtureを受け入れます。必要に応じて、翻訳されたチーム名を正確なデータセットラベルに正規化します。
  2. ユーザーがローカルの生結果CSVを提供した場合はそれを使用します。それ以外の場合は、ランナーがデフォルトの生結果CSVを直接ダウンロードできるようにします。
  3. オッズ、ヒント、予測、専門家予測、ソーシャルメディア予測、または事前計算された予測記事を絶対に閲覧または使用しないでください。
  4. Python 3.10以上とscripts/requirements.txtのパッケージを使用してscripts/run_model.pyを実行します。
  5. 最初にhard_audit.jsonを読みます。all_passedがfalseの場合は実行を拒否します。
  6. prediction.jsonを読み、要求されたすべてのデータセット、対戦相手、生対調整値、事前分布の影響、パラメータ、結果、スコアライン、診断フィールドを報告します。

コマンド

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

ランナーは将来の未スコアfixtureを特定し、その日付と中立地ワールドカップメタデータを読み取り、試合前日を包括カットオフとして使用します。既存の生CSVを使用するには--source C:\path\results.csvを追加します。明示的なユーザーオーバーライドの場合のみ--cutoffまたは--target-dateを使用します。少なくとも50,000回のシミュレーションを維持します。

必須動作

  • ターゲットを中立地として扱い、ホームアドバンテージを追加しないこと。
  • 2018-01-01からカットオフまでの完了した試合のみを使用すること。
  • 2022年以降を主要ウィンドウ、2018-2021年を弱い事前分布として扱うこと。
  • 2022年より前のすべての有効なチームレベルの重みを8%以下に抑えること。
  • 明示的な過去事前分布ラムダブレンドを5%以下に抑え、どちらかのラムダが5%を超えて変動する場合はリスケールすること。
  • 対戦相手ELOと対戦相手品質調整を必須とし、生ゴール数のみから攻撃力をランク付けしないこと。
  • モデルによって実装されたエリート閾値とフォールバックルールを使用すること。
  • ワールドカップノックアウト効果は、有効な完了観測値からのみ推定すること。
  • Dixon-Colesは最終ラムダが計算された後にのみ適用すること。
  • 正確な調整済みスコア行列と、50,000回抽出シミュレーション確率、Wilson95%区間を返すこと。
  • 報告された最も可能性の高いスコアが行列のargmaxと一致することを検証すること。

数式、重み、診断、または出力セマンティクスを監査する場合は、references/model-spec.mdを参照してください。実行可能モデルはscripts/model_engine.pyにあります。設定とハードチェックが適用されるように、scripts/run_model.pyを介して呼び出してください。

関連スキル