CommunityPesquisa e Análise de Dadosgithub.com

Modelo de Placar de Futebol

Skill do Codex que modela qualquer partida nacional de seleções a partir de resultados brutos, usando ELO ajustado por adversário, Poisson ponderado, Dixon-Coles e Monte Carlo.

O que é Modelo de Placar de Futebol?

Esta skill capacita agentes de IA, como o Codex, a calcular probabilidades precisas de resultados de partidas de futebol entre seleções nacionais, utilizando apenas resultados brutos históricos. Ela se destaca por empregar uma combinação robusta de métodos estatísticos: sistema de rating ELO ajustado por força do adversário, regressão de Poisson ponderada para modelar gols esperados, correção para adversários de elite e o ajuste Dixon-Coles para partidas de baixo placar. Tudo isso alimenta uma simulação de Monte Carlo com pelo menos 50.000 iterações para gerar distribuições de probabilidade completas. A skill é útil porque substitui estimativas informais ou modelos simplistas por um pipeline auditável e determinístico, exigindo a verificação de uma auditoria interna (`hard_audit.json`) antes de reportar qualquer resultado. Ela roda em Python 3.10+, com suporte a PowerShell, e foi projetada para cenários como a Copa do Mundo de 2026, onde o fator casa/neutro e o efeito de mata-mata são calculados automaticamente a partir dos metadados da partida.

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

Installed? Explore more Pesquisa e Análise de Dados skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

O que Modelo de Placar de Futebol faz?

Use o modelo fornecido; nunca substitua por estimativas informais ou classificações baseadas apenas em gols brutos.

Execução

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

Apenas a partida é obrigatória. Normalize nomes de times traduzidos para os rótulos do conjunto de dados quando necessário.

Regras

  • Use apenas resultados brutos completos de seleções; nunca use odds, dicas, previsões ou artigos de predição.
  • Resolva data alvo, competição, fase de mata-mata, status neutro e ordem casa/visitante a partir da linha da partida bruta.
  • Defina o corte como o mais cedo entre: dia da partida menos um, data de execução e data da fonte mais recente concluída.
  • Aplique ELO ajustado por adversário, prior histórico com limite máximo, Poisson ponderado, correção para adversário de elite, Dixon-Coles e pelo menos 50.000 simulações.
  • Exija que hard_audit.json reporte all_passed: true antes de relatar resultados.
  • Reporte lambdas, vitória/empate/derrota com intervalos de 95%, principais placares, força do adversário, impacto do prior e avisos de prediction.json.

Leia references/model-spec.md apenas quando detalhes de fórmulas ou auditoria forem necessários. Invoque scripts/model_engine.py apenas através de scripts/run_model.py.

name: model-football-scorelines description: Calcule probabilidades de placares neutros de mata-mata da Copa do Mundo de 2026 apenas a partir do nome da partida, usando modelo do usuário com ELO ajustado por adversário, prior histórico limitado, regressão de Poisson ponderada, correção para adversário de elite, ajuste Dixon-Coles e Monte Carlo. Use quando o Codex receber um confronto como "Argentina vs Egypt" e forem solicitadas probabilidades de vitória/empate/derrota para seleções, gols esperados, principais placares, diagnósticos de força do adversário ou auditorias de prior histórico, sem usar odds, sites de predição, previsões de especialistas ou predições pré-calculadas.

Modele Placar de Futebol

Execute o modelo determinístico fornecido; não o substitua por estimativas informais ou um cálculo baseado apenas em gols brutos.

Fluxo de Trabalho

  1. Aceite uma partida como única entrada obrigatória do usuário. Normalize nomes de times traduzidos para rótulos exatos do conjunto de dados quando necessário.
  2. Use um CSV local de resultados brutos quando o usuário fornecer um. Caso contrário, deixe o executor baixar seu CSV padrão de resultados brutos diretamente.
  3. Nunca navegue ou use odds, dicas, previsões, predições de especialistas, predições de redes sociais ou artigos de predição pré-calculados.
  4. Execute scripts/run_model.py com Python 3.10+ e os pacotes em scripts/requirements.txt.
  5. Leia hard_audit.json primeiro. Rejeite a execução se all_passed for falso.
  6. Leia prediction.json e relate cada conjunto de dados, adversário, valores brutos versus ajustados, impacto do prior, parâmetro, resultado, placar e campo de diagnóstico solicitado.

Comando

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

O executor localiza a partida futura sem placar, lê sua data e metadados neutros da Copa do Mundo, e usa o dia anterior à partida como corte inclusivo. Adicione --source C:\path\results.csv para usar um CSV bruto existente. Use --cutoff ou --target-date apenas para uma substituição explícita do usuário. Mantenha pelo menos 50.000 simulações.

Comportamento Obrigatório

  • Trate o alvo como neutro e não adicione vantagem de casa.
  • Use apenas partidas concluídas de 2018-01-01 até o corte.
  • Trate 2022 em diante como janela principal e 2018-2021 como prior fraco.
  • Mantenha cada peso efetivo de time pré-2022 em ou abaixo de 8%.
  • Mantenha a mistura explícita do prior histórico lambda em ou abaixo de 5% e reescalone se qualquer lambda se mover mais de 5%.
  • Exija ajuste de ELO do adversário e qualidade do adversário; nunca classifique ataque a partir de gols brutos sozinhos.
  • Use o limiar de elite e as regras de fallback implementadas pelo modelo.
  • Estime o efeito de mata-mata da Copa do Mundo apenas a partir de observações concluídas válidas.
  • Aplique Dixon-Coles apenas após os lambdas finais serem calculados.
  • Retorne a matriz de placares ajustada exata, mais probabilidades de simulação de 50.000 sorteios e intervalos de Wilson de 95%.
  • Verifique se o placar mais provável reportado é igual ao argmax da matriz.

Leia references/model-spec.md ao auditar fórmulas, pesos, diagnósticos ou semântica de saída. O modelo executável está em scripts/model_engine.py; invoque-o através de scripts/run_model.py para que configuração e verificações rigorosas sejam aplicadas.

Habilidades Relacionadas