我为什么把一个胜平负模型做成三分类，而不是二分类

先说结论：它不是一个"预测比赛结果"的东西

很多介绍会把这类模型说成"预测比赛结果"，这个说法不准确。它算的是在当前信息下，三种结果各自的相对可能性。它不会告诉你"曼城会赢"，只会告诉你"在这场比赛的信息下，主胜概率是 52%"。

这两个说法的差别很关键。前者是承诺，后者是倾向。倾向可以错，错了还能回头查是哪条信息出了问题；承诺一旦说出口，就只能用结果论英雄。

为什么不做二分类

二分类的好处很直观：训练简单，结果好读。代价是它会逼你做一个错误的合并——把"平"并进主队，或者并进客队。

可足球里的平局不是"没发生的事"。一场 0:0 的闷战和一场 3:3 的对攻，在数据上都是平局，但它们对双方状态的含义完全不同。如果模型被迫把平局并进某一边，它就会在那些"两队都不占明显优势"的比赛里，系统性地给出一个偏高的、其实并不存在的倾向。

平局不是"没有人赢"，它本身就是一个有信息量的结果。把它合并掉，等于主动放弃了一部分判断力。

当然，三分类的代价也不小：训练更难，概率校准更麻烦，而且三个数字放在一起，读起来比一个数字费劲。但这些代价我认为值得付——因为换来的输出，直接对应三种真实的比赛结局，也更接近球迷自己看球时的思考方式。

我读它输出的三个数字时，注意什么

第一，看概率差，不看绝对值

52% / 26% / 22% 和 44% / 28% / 28%，前者的主胜倾向更明确，后者的主客差距很小。概率差比绝对概率更能说明倾向的强度。

第二，看模型有没有"底气"

概率高不代表模型有把握。模型的确定程度受样本量、信息完整度、分布是否偏移影响。底气不足的时候，概率再漂亮也要打折看。

第三，看局限有没有被触发

如果这场比赛正好撞上"临场伤停还没修正"或者"低级别联赛样本不足"，那就该知道这组数字的参考价值要下调。

三种我见过最多的误读

• 把概率当确定性。52% 的主胜，意味着差不多一半的情况不会发生。它不是"大概率赢"，只是"略占优"。
• 把高概率当高把握。概率和把握是两个维度。一组漂亮的三分类数字，背后可能是一个没什么底气的模型。
• 忽略局限直接套用。跨联赛、样本不足、临场变动，这三种情况下的输出可信度都要单独评估。

写在最后

这篇文章没有贴任何参数，也没给指标。原因很简单：一个模型值不值得信，不取决于它的数字有多漂亮，而取决于你知不知道它在什么时候会错。数字可以留到需要的时候再看，先把"它是什么、它不是什么"想清楚，更重要。