AdminLTE Preloader Image
Documentación de modelos

Ficha de modelos predictivos

Qué hace cada modelo, qué datos usa y cómo interpretar sus métricas.

Análisis de resultados
Modelos registrados
9
9 con datos en la tabla
Predicciones evaluables
107.017
115.784 registros historicos · 15.976 partidos base
Mejor acierto
Ensemble selectivo
76,77%
Última predicción
24/08/2026 08:51
Según `porcentajes_victoria.calculado_en`

Tabla general

9 modelos registrados. Pulsa un modelo para abrir su ficha técnica y sus datos actuales.

Todos Vista general 01 Elo básico 02 Reg. logística + Elo 03 Naive Bayes + Elo 04 Naive Bayes + stats 05 Ensemble jugadores 06 Ensemble calibrado 07 Ensemble selectivo 08 Comité especialistas 09 Modelo margen

Naive Bayes + stats

04_naive_bayes_stats

Naive Bayes + stats
Qué hace

Extiende el Naive Bayes anterior incorporando estadísticas rolling de equipo: tiro, rebote, asistencias, pérdidas, ritmo, posesiones y métricas de eficiencia.

Resumen de datos que usa
  • Elo
  • Racha reciente
  • Diferenciales rolling de estadísticas de equipo
  • Tipo de partido
Idea central
  • Comprueba si añadir boxscore/equipo mejora al Naive Bayes base.
  • No usa jugadores individualizados: trabaja con estadísticas agregadas por equipo.
  • Mantiene la ventaja de ser rápido y sencillo, pero con más señales que el 03.
Features construidas
  • Diferenciales Elo y rachas de 5 partidos.
  • Diferenciales rolling de 10 partidos para tiro de campo, triples, libres, rebotes, asistencias y pérdidas.
  • Diferenciales rolling de rating neto, eFG, TS, ritmo, posesiones y PIE.
  • tipo_partido como categórica.
Entrenamiento
  • Usa GaussianNB con imputación y one-hot.
  • Guarda métricas en metrics/nb_stats_metrics.json.
  • La selección incluye umbral óptimo además del corte estándar 0.5.
Backtest y aplicación
  • 03_backtest.py reconstruye el histórico actualizando estado después de cada partido.
  • 02_apply_future.py usa el historial disponible para construir features de próximos partidos.
  • Escribe en porcentajes_victoria con modelo=04_naive_bayes_stats.
Riesgos de lectura
  • Es más sensible a contaminación porque las estadísticas de equipo vienen del mismo dominio que el marcador.
  • Si las columnas rolling se calculan después de incorporar el partido actual, el acierto queda inflado.
  • El Naive Bayes puede calibrar mal con muchas variables correlacionadas.
Validación resumida

Entrenamiento y backtest historico del propio script.

Salida resumida

Probabilidades historicas y futuras cuando hay datos suficientes.

Riesgo o lectura resumida

Las estadisticas de equipo deben estar cortadas antes del partido; si vienen del mismo partido contaminan.

Tablas implicadas
  • partidos
  • equipo_elo
  • estadisticas_equipos_partido
  • porcentajes_victoria
Ficheros y responsabilidad
  • 01_python/03_modelos/04_naive_bayes_stats/01_train.py
    Entrena Naive Bayes con estadísticas rolling.
  • 01_python/03_modelos/04_naive_bayes_stats/03_backtest.py
    Backtest histórico cronológico.
  • 01_python/03_modelos/04_naive_bayes_stats/02_apply_future.py
    Predicción de futuros.
Features técnicas del JSON de entrenamiento
Numéricas (17)
  • diff_elo
  • abs_diff_elo
  • racha_local_5
  • racha_visitante_5
  • diff_racha_5
  • diff_fg_pct_10
  • diff_tp_pct_10
  • diff_ft_pct_10
  • diff_reb_10
  • diff_ast_10
  • diff_tov_10
  • diff_net_rating_10
  • diff_efg_10
  • diff_ts_10
  • diff_pace_10
  • diff_possessions_10
  • diff_pie_10
Categóricas (1)
  • tipo_partido
Stats rolling (12)
  • porcentaje_tiros_campo
  • porcentaje_triples
  • porcentaje_tiros_libres
  • rebotes_totales
  • asistencias
  • perdidas
  • rating_neto
  • porcentaje_efectivo_tiro
  • porcentaje_tiro_real
  • ritmo
  • posesiones
  • pie
Acierto
62,57%
Evaluables
12.976
Aciertos
8.119
Fallos
4.857
Cobertura histórica
81,22%
Cobertura útil
100,00%
Neutras 50/50
0
Sin pred. histórica
3.000
Temporadas
24
Ligas
3
Periodo
24/02/2019 20:30
14/06/2026 00:30
Última predicción
24/08/2026 08:26
Métricas de entrenamiento
Modelo JSON
04_naive_bayes_stats
Total dataset
15.976
Train
12.780
Test
3.196
Var smoothing
1.0E-9
Accuracy test @0.5
63,42%
Mejor umbral test
0.4
Accuracy mejor umbral
63,86%
LogLoss test
1,0144
Brier test
0,2740
ROC AUC test
0,6797
01_python/03_modelos/04_naive_bayes_stats/metrics/nb_stats_metrics.json