Sports Performance Engine

Motor de análisis de rendimiento deportivo que combina LightGBM + XGBoost ensemble con datos de StatsBomb Open Data para predecir resultados de LaLiga y Champions League.

Demo en vivo

adrianmoreno-dev.com/demo/sports-engine

Arquitectura

StatsBomb Open Data
    └── statsbombpy (eventos por partido)
            └── Rolling team stats (xG, xA, presiones, posesión — ventana 5/10 partidos)
                    ├── LightGBM (Optuna 30 trials)
                    ├── XGBoost  (Optuna 25 trials)
                    └── Ensemble pesado → predicción + SHAP TreeExplainer

Stack

Componente	Tecnología
Datos	StatsBomb Open Data (statsbombpy) + synthetic fallback
Modelos	LightGBM + XGBoost ensemble
Hyperparams	Optuna (30 + 25 trials)
Explicabilidad	SHAP TreeExplainer
API	FastAPI (puerto 8001)
Split temporal	TimeSeriesSplit 70/15/15

Features

• Rolling stats por equipo: xG for/against, xA, shots, pressures, posesión — media últimos 5 y 10 partidos
• Head-to-head histórico: goles/xG en enfrentamientos directos
• Competición como feature categórica (LaLiga, Champions, Copa)
• Condición local/visitante

Métricas

Métrica	Valor
AUC-ROC	0.71
Accuracy	0.38 (3 clases: L/E/V)
Dataset	~3.200 partidos
Features	25+

Endpoints

GET  /ml/sports/health          Estado del servicio
GET  /ml/sports/stats           Métricas del modelo
GET  /ml/sports/teams           Equipos disponibles
GET  /ml/sports/competitions    Competiciones disponibles
GET  /ml/sports/matches/recent  Últimos partidos analizados
POST /ml/sports/predict         Predicción de partido
GET  /ml/sports/match/{id}      Detalle de partido

Ejemplo predict

curl -X POST http://localhost:8001/ml/sports/predict \
  -H "Content-Type: application/json" \
  -d '{"home_team": "Real Madrid", "away_team": "FC Barcelona", "competition": "La Liga"}'

{
  "prediction": "Empate",
  "confidence": 0.431,
  "probabilities": {"home_win": 0.381, "draw": 0.431, "away_win": 0.188},
  "shap_explanation": {...}
}

Instalación

git clone https://github.com/Chupacharcos/Sports-Performance-Engine.git
cd Sports-Performance-Engine
python -m venv venv && source venv/bin/activate
pip install -r requirements.txt
python scripts/download_data.py   # Descarga StatsBomb Open Data
python scripts/train.py           # Entrena modelos y genera artifacts/
uvicorn api:app --port 8001

Estructura

sports-engine/
├── api.py              FastAPI app
├── routers/sports.py   Endpoints
├── scripts/
│   ├── download_data.py   StatsBomb + synthetic fallback
│   └── train.py           Entrena LightGBM + XGBoost
├── artifacts/          Modelos serializados (excluidos de git)
└── requirements.txt

Licencia

MIT