我为什么把一个胜平负模型做成三分类,而不是二分类
平局在足球里是有信息量的结果,把它并进任何一边都会丢掉一部分判断。这篇文章讲这个选择的来龙去脉,以及我后来怎么读它输出的那三个数字。
阅读全文 →AI预测网专注足球大数据分析:把赛前大数据、赛前情报和AI模型输出讲清楚—— 为什么做、大致怎么想、读的时候注意什么、哪里会错; 同时把AI足球里被说糊的概念一个一个拆开讲明白。
这部分不列参数、不贴指标。每个模型配一篇随笔,讲我在做它的时候想了什么、 做完之后又怎么看它。想读细节的,文章里会慢慢展开。
平局在足球里是有信息量的结果,把它并进任何一边都会丢掉一部分判断。这篇文章讲这个选择的来龙去脉,以及我后来怎么读它输出的那三个数字。
阅读全文 →平局在足球里是有信息量的结果,把它并进任何一边都会丢掉一部分判断。这篇文章讲这个选择的来龙去脉,以及我后来怎么读它输出的那三个数字。
逐次射门估算进球概率,这件事的意义不在预测,而在把"这次射门值多少球"单独拿出来度量。想清楚这一点,用法就完全不同了。
逼抢这件事,强度和效率是两回事。一个只统计跑动距离的模型,会系统性地高估那些"跑得凶但抢不下来"的球队。我想把这两件事拆开。
"这个球员很重要"是一句没法比较的话。我想做的是给首发变动输出一个可以横向比较的差值,而不是一个模糊的重要程度。
网上讲 AI 足球的内容,很多把"模型输出"和"事实"混在一起说。这里试着把概念拆开讲, 每篇只解决一个小问题。
xG 常被误解为"预期比分",但它其实是逐次射门进球概率的累加。这篇笔记把它的计算逻辑和使用边界讲清楚。
阅读笔记 →归一化、校准、四舍五入,三个原因叠在一起,就会出现 99% 或 101% 的情况。这不是模型出错。
阅读笔记 →如果输入里只有事件数据,模型不会知道谁是巨星。名气的影响必须通过数据间接体现,这是优点也是盲区。
阅读笔记 →新帅只带队 5 场、新援只踢了 3 轮——这时候模型输出的数字要打折看。这篇讲清楚为什么。
阅读笔记 →每个模型都写清楚它在回答什么问题、在什么场景下适用。不把回归模型包装成"预测神器",也不把分类概率说成确定性结论。
已知的失效场景直接写进文章里:临场伤停、样本不足、跨联赛迁移。局限不藏,读者才能判断结果该打几折。
概率是模型在当前信息下的倾向,不是比赛结果。任何模型都会错,区别只在于错的时候能不能解释清楚。
把足球模型和知识笔记装进口袋。App 提供足球大数据分析与模型解读, 看某个模型是怎么想的、最近写了什么、哪篇笔记值得再读一遍。
支持离线缓存已读文章,所有内容仅供参考。