Un projet de prédiction de résultats de matchs de football pour la Ligue 1 française, saison 2023/2024, utilisant l'apprentissage automatique.

Ce projet vise à prédire les résultats des matchs de football (victoire à domicile, match nul, ou victoire à l'extérieur) en utilisant des données historiques et des statistiques de matchs. Le modèle est entraîné sur les données de la Ligue 1 pour la saison 2023/2024 et utilise un algorithme de Random Forest.

sport_result_prediction/
├── app/                    # Application Streamlit
│   ├── streamlit_app.py    # Interface principale
│   └── streamlit_app_test.py
├── data/                   # Données du projet
│   ├── raw/                # Données brutes
│   │   └── ligue1_2023_2024.csv
│   ├── processed/          # Données nettoyées
│   │   └── cleaned_data.csv
│   └── model.pkl           # Modèle entraîné
├── notebooks/              # Notebooks Jupyter pour l'exploration
│   └── 01_exploration.ipynb
├── src/                    # Code source Python
│   ├── data_preparation.py # Préparation des données
│   ├── train_model.py      # Entraînement du modèle
│   └── predict.py          # Prédictions
├── requirements.txt        # Dépendances Python
└── README.md              # Ce fichier

• Python 3.8 ou supérieur
• pip (gestionnaire de paquets Python)

1. Cloner le dépôt (ou télécharger le projet)

   git clone <url-du-depot>
   cd sport_result_prediction

2. Créer un environnement virtuel (recommandé)

   python -m venv venv

3. Activer l'environnement virtuel

   • Sur Windows:

     venv\Scripts\activate

   • Sur macOS/Linux:

     source venv/bin/activate

4. Installer les dépendances

   pip install -r requirements.txt

Nettoyez et préparez les données à partir du fichier brut:

python src/data_preparation.py

Cette commande va:

• Charger les données brutes depuis data/raw/ligue1_2023_2024.csv
• Nettoyer les données (suppression des colonnes inutiles, gestion des valeurs manquantes)
• Encoder les résultats (H=1, D=0, A=-1)
• Sauvegarder les données nettoyées dans data/processed/cleaned_data.csv

Entraînez le modèle de Random Forest:

python src/train_model.py

Cette commande va:

• Charger les données nettoyées
• Séparer les données en ensembles d'entraînement et de test (80/20)
• Entraîner un modèle Random Forest avec 100 estimateurs
• Évaluer la précision du modèle
• Sauvegarder le modèle dans data/model.pkl

Faire des prédictions sur de nouveaux matchs:

python src/predict.py

Lancer l'application web interactive:

streamlit run app/streamlit_app.py

L'interface permet de:

• Sélectionner un match par son index
• Visualiser la prédiction (victoire domicile, nul, ou victoire extérieur)

• Python - Langage de programmation principal
• Pandas - Manipulation et analyse de données
• Scikit-learn - Machine Learning (Random Forest)
• Joblib - Sauvegarde et chargement de modèles
• Streamlit - Interface web interactive

Les dépendances du projet sont listées dans requirements.txt:

• pandas
• scikit-learn
• joblib
• streamlit

• ✅ Prédiction de résultats de matchs (victoire domicile, nul, victoire extérieur)
• ✅ Interface web interactive avec Streamlit
• ✅ Modèle de Random Forest entraîné sur les données de la Ligue 1
• ✅ Pipeline de préparation des données
• ✅ Évaluation de la performance du modèle

• Le modèle est entraîné sur les données de la saison 2023/2024 de la Ligue 1
• Les données sont encodées numériquement pour l'entraînement
• Le modèle utilise un Random Forest avec 100 estimateurs

Les chemins des fichiers de données et du modèle sont configurables dans les scripts Python. Les chemins actuels pointent vers:

• Données brutes: data/raw/ligue1_2023_2024.csv
• Données nettoyées: data/processed/cleaned_data.csv
• Modèle: data/model.pkl

Projet développé dans le cadre de l'apprentissage du Machine Learning appliqué au sport.

Ce projet est fourni à des fins éducatives et d'apprentissage.