Keras нейросеть, которая прогнозирует результаты футбольных матчей

import os 
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
import numpy as np
import matplotlib.pyplot as plt
from  tensorflow import keras 
from tensorflow.keras.layers import Dense 
import pandas as pd
'''''
df=pd.read_excel('C:\\Users\\Denis\\Desktop\\Dinamo_Tb.xlsx')
#print(df)
#col=df.columns[4]
cter=df.columns[4]
 
df.loc[df['статистика'] == value]
#print(col)
print(cter)
'''
c= np.array([0,0,1,1,1])
f = np.array([1,1,1,1,0.5])
 
 
model =keras.Sequential()
model.add(Dense(64, activation='relu', input_dim=1))
model.add(Dense(3, activation='relu'))
model.compile(loss='mean_squared_error',optimizer=keras.optimizers.Adam(0.1))
log=model.fit(c,f,epochs=500,verbose =False)
 
print("Обучение завершено")
 
print(model.predict([100]))
print(model.get_weights())
    
plt.plot(log.history['loss'])
plt.grid(True)
plt.show()

import os 
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
import numpy as np
import matplotlib.pyplot as plt
from  tensorflow import keras 
from tensorflow.keras.layers import Dense 
import pandas as pd
 
# Игра  Рубин Оренбург 
 
 
# рубин последние 3 игры 
#12.07.23 рубин - Крылья Советов  2:1 разница 1 
#22.07.23 Локомотив  - Рубин  2:2 разница 0 
#26.07.23 Ростов - Рубин  1:0 разница -1
 
# Оренбург последние 3 игры 
#15.07.23 Оренбург  - Габала 1:1 разница 0 
#23.07.23 Спартак  - Оренбург  3:2 разница -1 
#26.07.23 Оренбург - Цска  0:6 разница -6
 
 
 
# Рубин - Оренбургпоследние 3 матча 
#03.05.2019 Рубин -Оренбург  2:0   разница так как игра  дома у рубина 2
#15.09.2019 Оренбург - Рубин  2:1  разница так как игра  дома у рубина -1
#05.07.2020  Рубин -Оренбург 1:0   разница так как игра  дома у рубина 1
 
c= np.array([1,0,-1])  #массив разница счетов Рубин
f = np.array([0,-1,-6]) # массив разница счетов Оренбург
k=np.array([2,-1,1])  # массив разница Рубин Оренбург
 
model =keras.Sequential()
model.add(Dense(64, activation='relu', input_dim=1))   # Входной слой
model.add(Dense(3, activation='relu'))    # Выходной слой
model.compile(loss='mean_squared_error',optimizer=keras.optimizers.Adam(0.1)) #  Укажем конфигурацию обучения (оптимизатор, функция потерь, метрики)
log=model.fit(c,f,epochs=500,verbose =False)   # обучение
 
print("Обучение завершено")
 
print(model.predict([100]))
print(model.get_weights())
    
plt.plot(log.history['loss'])
plt.grid(True)
plt.show()