Langkah 1: data, 70% pekerjaan
Anda butuh beberapa musim pertandingan dengan skor akhir, susunan pemain, jadwal, dan terutama odds penutupan tiap laga. Tanpa odds historis Anda tidak bisa tahu apakah model mengalahkan pasar, satu-satunya pertanyaan yang penting.
Bersihkan nama tim ganda, laga yang dihentikan, dan tanggal di zona waktu berbeda. Di Gambeta, sebagian besar kesalahan bulan-bulan pertama adalah kesalahan data, bukan model.
Setiap perebutan bola adalah data. Model tidak pernah melihat laga: ia melihat baris yang Anda putuskan untuk disimpan sebelumnya.
Langkah 2: variabel yang ada sebelum laga
Jebakan klasik adalah kebocoran informasi: memakai data yang baru diketahui setelah laga, seperti tembakan tepat sasaran di laga itu sendiri. Saat pelatihan model tampak sempurna; saat produksi, runtuh.
Variabel yang sah: performa terkini, gol yang diharapkan dari laga sebelumnya, istirahat antar laga, keuntungan kandang, absen yang dikonfirmasi, dan odds pembukaan itu sendiri. Di machine learning untuk taruhan olahraga kami menjelaskan variabel model kami.
Langkah 3: model
Untuk memulai tidak perlu jaringan saraf. Regresi logistik atau gradient boosting yang diregularisasi dengan baik memprediksi probabilitas 1X2 atau over/under dengan solid. Yang penting keluarannya adalah probabilitas, bukan label "menang atau kalah".
Latih satu model per olahraga. Sepak bola, tenis, bisbol, dan basket punya struktur berbeda: di tenis poin servis menentukan, di bisbol pitcher pembuka, di basket absen pemain. Satu model untuk semua mempelajari keempatnya dengan buruk.
Langkah 4: kalibrasi
Model terkalibrasi adalah yang, saat berkata 60%, benar sekitar 6 dari 10 kali. Diukur dengan mengelompokkan prediksi per rentang dan membandingkan dengan yang terjadi. Tanpa kalibrasi, perbandingan dengan odds tidak berarti dan stake salah ukuran.
Masuk atau tidak. Model terkalibrasi belajar dari ribuan tembakan seperti ini; dengan beberapa ratus ia hanya belajar derau.
Langkah 5: uji yang jujur
Sisihkan musim terakhir dan jangan lihat sampai akhir. Simulasikan bertaruh hanya saat probabilitas Anda melampaui yang tersirat odds penutupan, dengan stake tetap. Jika hasilnya tidak positif, model tidak bekerja sebesar apa pun akurasinya tampak.
Logika bertaruh hanya dengan keunggulan itu adalah value betting, dan itulah yang mengubah prediktor menjadi alat taruhan.
Langkah 6: publikasikan semuanya
Model yang tidak memublikasikan rekam jejak tak bisa dibedakan dari tipster. Catat setiap pilihan dengan probabilitas, odds, dan hasilnya, dan biarkan terbuka. Tidak nyaman saat kalah dan itu satu-satunya cara orang percaya saat menang.
Jika semua ini terdengar banyak pekerjaan, memang: inilah yang kami lakukan setiap hari di Gambeta, dan kami memublikasikannya gratis agar Anda tidak perlu membangunnya dari nol.
Pertanyaan umum
Bisakah melatih AI taruhan olahraga tanpa coding?
Dengan spreadsheet Anda sampai pada regresi sederhana. Untuk kalibrasi dan uji terhadap odds historis Anda butuh Python atau R.
Berapa laga yang dibutuhkan untuk melatih?
Beberapa musim dari liga yang sama. Dengan beberapa ratus laga model belajar derau, bukan pola.
Data apa yang wajib?
Hasil, susunan pemain, jadwal, dan odds penutupan historis. Tanpa odds Anda tidak tahu apakah mengalahkan pasar.
Bisakah AI generik seperti ChatGPT melakukannya?
Bisa menulis kode dan mendiskusikan desain, bukan menjadi model: ia tidak punya data maupun kalibrasi.