Machinaal leren en wedden: wat het is en hoe het werkt, zonder omwegen

• Het model leert van gespeelde wedstrijden en geeft kansen terug, geen zekerheden.
• Het gevaarlijke is overfitting: in het verleden alles goed hebben en live falen.
• Om te weten of het deugt, kijk je naar kalibratie, Brier en ROI en valideer je altijd over de tijd.

Wat is machinaal leren, in gewone taal?

Het is een programma dat leert door voorbeelden te bekijken.

In plaats van het de regels te vertellen, laat je het duizenden gespeelde wedstrijden zien.

Elke wedstrijd heeft invoergegevens en een eindresultaat.

Het programma zoekt welke gegevens meestal bij welke uitslagen horen.

Daarna gebruikt het dat patroon om een wedstrijd te schatten die nog niet is gespeeld.

Denk aan een kind dat leert honden en katten te onderscheiden.

Niemand legt de anatomie uit.

Het ziet veel foto's en merkt wat zich herhaalt.

Met wedstrijden gebeurt hetzelfde, maar dan met getallen.

Dit artikel is de eenvoudige, niet-technische versie.

Wil je het overzicht van hoe een compleet algoritme werkt, lees dan hoe een wedalgoritme werkt.

Hier richten we ons op hoe het leert en hoe het zichzelf kan misleiden.

Welke gegevens geef je en wat krijg je terug?

De invoergegevens heten variabelen.

Het kunnen recente doelpunten zijn, thuis of uit, rustdagen, slotodds of blessures.

De output is meestal een kans voor elke mogelijke uitslag.

Het model beslist niet of je wedt.

Het schat alleen.

De beslissing komt voort uit het vergelijken van zijn kans met die van de odds.

Dat legt het artikel over impliciete kans uit en rekent de calculator voor verwachte waarde uit.

Training, validatie en test: de drie blokken gegevens

Een serieus model meet je nooit met de gegevens waarmee het leerde.

Daarom worden ze in drie blokken gesplitst.

Elk heeft een eigen taak.

1. Training: de wedstrijden waarmee het model leert. Het is zijn studiemateriaal.
2. Validatie: wedstrijden die je gebruikt om versies af te stellen en te vergelijken. Het is het proefexamen.
3. Test: wedstrijden die niemand aanraakt tot het einde. Het is het echte examen en je gebruikt het maar één keer.

Als je het testblok vaak gebruikt, is het geen test meer.

Je stemt het model uiteindelijk af op dat examen.

Het is een veelvoorkomende valkuil die heel moeilijk op te merken is.

Wat is overfitting en waarom verpest het zoveel modellen?

Overfitting ontstaat wanneer het model uit het hoofd leert in plaats van te leren.

Het leert zelfs het toeval van de oude wedstrijden.

Een doelpunt uit een rebound, een twijfelachtige penalty, een zware regenbui.

Dat soort dingen herhaalt zich niet, maar het model denkt van wel.

Het is als een leerling die de antwoorden van de examens van vorige jaren uit het hoofd leert.

Als het examen verandert, weet hij niets.

Hij haalde een tien bij het oefenen en een vier op het echte examen.

Voorbeeld: een model dat perfect leek

Alle getallen in deze tabel zijn een verzonnen voorbeeld om het idee uit te leggen.

Stel je 20 wedstrijden voor om te trainen en 20 nieuwe wedstrijden om te testen.

Een model met te veel regels past zich aan elk detail van de eerste groep aan.

De 100% van de eerste groep betekent niets.

Het model kende die antwoorden al.

De 55% van de tweede groep is het eerlijke getal.

En bij slechts 20 wedstrijden is zelfs dat getal niet stevig.

Waarom kan een model dat veel goed had live verliezen?

Er zijn vier veelvoorkomende redenen.

Vaak komen ze samen voor.

• Overfitting: het leerde het verleden uit het hoofd en niet het patroon.
• Datalek: het model zag ongemerkt informatie die het in het echt vóór de wedstrijd niet zou hebben.
• Markt die verandert: de odds worden gecorrigeerd en de waarde van gisteren verdwijnt.
• Kleine steekproef: een goede reeks van 50 wedstrijden kan puur geluk zijn.

De laatste reden wordt het meest onderschat.

Wil je zien hoeveel weddenschappen je nodig hebt om een resultaat te vertrouwen, lees dan hoeveel weddenschappen je nodig hebt om te weten of je wint.

Wat is validatie over de tijd en waarom mag je niet in de toekomst kijken?

Bij wedden telt de volgorde in de tijd.

Een model kan niet leren van wedstrijden die na de wedstrijd zijn gespeeld die het wil voorspellen.

Het lijkt vanzelfsprekend, maar het is de meest gemaakte fout bij het opzetten van tests.

Als je de wedstrijden willekeurig door elkaar haalt, kan het model trainen met een wedstrijd uit maart en testen met een uit februari.

Dat is gluren in de toekomst.

Het resultaat ziet er beter uit dan het in het echt zal zijn.

1. Sorteer de wedstrijden op datum

   Van de oudste naar de nieuwste.

   Haal ze nooit door elkaar.

2. Train met het verleden

   Bijvoorbeeld met de eerste acht maanden.

   Het model ziet alleen die wedstrijden.

3. Test met de volgende periode

   De maand die na het knippunt komt.

   Het model schat wedstrijden die het niet zag.

4. Schuif het venster op en herhaal

   Voeg die maand toe aan de training en test de volgende.

   Zo simuleer je hoe het in het echt wordt gebruikt.

Waarom zijn schone gegevens zo belangrijk?

Een model leert wat je het geeft.

Als je het vuile gegevens geeft, leert het vieze dingen.

Het Engelse gezegde is “garbage in, garbage out”.

Het minst opvallende, maar belangrijkste werk is schoonmaken.

• Teamnamen die op twee manieren zijn geschreven voor dezelfde club.
• Verkeerd ingevoerde uitslagen of afgelaste wedstrijden die als gespeeld staan.
• Odds die op verschillende tijdstippen zijn genomen en door elkaar zijn gehaald alsof het dezelfde waren.
• Blessures die pas na de wedstrijd bekend werden en als eerdere informatie zijn genoteerd.

Een kleine fout in duizenden rijen besmet alles.

Daarom bewaart een goed model elk gegeven met zijn datum en zijn bron.

Zonder datum kun je niet weten wat er vóór de wedstrijd bekend was.

Welke maatstaven tellen echt?

De bekendste is nauwkeurigheid, het percentage goede voorspellingen.

Het is ook de meest misleidende bij wedden.

Het kijkt niet naar hoeveel elke goede voorspelling uitbetaalt.

Kalibratie: is 70% echt 70%?

Een model is gekalibreerd als zijn percentages uitkomen.

Van 100 wedstrijden waarvoor het 70% zei, zou het er ongeveer 70 goed moeten hebben.

Als het er 55 goed heeft, was het te zelfverzekerd.

Die overmoed is wat geld kost.

Brier: de score van de fout

Je berekent hem met het kwadraat van het verschil tussen wat je zei en wat er gebeurde.

Als je 80% zei en het gebeurde, is de fout 0,2 in het kwadraat.

Als het niet gebeurde, is de fout 0,8 in het kwadraat.

Je neemt het gemiddelde over alle wedstrijden.

Dit is een met code gecontroleerd voorbeeld.

Een model zegt 80% bij 5 wedstrijden en heeft er 4 goed.

Zijn Brier is 0,16.

Wie overal 50% zegt, zonder iets te weten, haalt 0,25.

Minder is beter, dus het eerste wint.

Kijk naar de laatste rij.

Degene die 100% zei had evenveel goed, maar krijgt een slechter cijfer.

De Brier straft zelfvertrouwen dat niet te rechtvaardigen is.

ROI tegenover nauwkeurigheid: hetzelfde model, twee oordelen

Nog een voorbeeld, ook gecontroleerd.

Je wedt 10 keer tegen odds van 1,30 en wint er 7.

Je wedt nog eens 10 keer tegen odds van 2,50 en wint er 5.

Kiezen op nauwkeurigheid stuurt je naar de eerste groep, maar kijk naar de berekeningen.

Bij odds van 1,30 is het break-evenpunt 76,9% goed voorspellen.

Met 70% blijf je eronder.

Bij odds van 2,50 is 40% genoeg.

Daarom zegt nauwkeurigheid zonder de odds niets.

Hoe gebruikt Gambeta het, in eerlijke woorden?

Gambeta gebruikt geen AI-chat om picks te bepalen.

De basis is een statistisch model dat kansen schat met wedstrijdgegevens.

Daarna worden er vetoregels en een kalibratie op toegepast.

• Model: schat de kans op elke uitslag.
• Vetoregels: regels die de pick schrappen als iets niet klopt, zoals een belangrijke afwezige of gebrek aan gegevens.
• Kalibratie: past de percentages aan zodat ze niet te optimistisch zijn.
• Registratie: elke pick wordt vóór de wedstrijd gepubliceerd en afgehandeld met openbare bronnen.

We vertellen de interne parameters niet, want ze zijn onderdeel van het werk.

Wat we wel tonen, is het resultaat van alles wat is gepubliceerd.

Het idee is dat je ons niet hoeft te geloven: je kunt het nakijken.

Een echt gegeven, met bron en datum

We berekenden dit met het openbare bestand van de geschiedenis van Gambeta, bijgewerkt op 28 oktober 2026.

Er zijn 1.539 picks afgehandeld als gewonnen of verloren, sinds 21 maart 2026.

Er werden er 856 gewonnen, dat is 55,6%.

De gemiddelde odds waren 1,83.

Met één vaste eenheid op elke pick is het resultaat vrijwel nul.

De ROI komt uit op −0,02%, wat je leest als technisch gelijkspel.

Het is geen getal om mee te pronken, en daarom zetten we het erbij.

Het is een meting met vaste inzet, niet de echte stake van elke pick.

Het detail van elk resultaat staat in de geschiedenis.

De dagelijkse analyse en de correcties staan in het Jornal de Apuestas.

Hoe herken je iemand die een “winnend” model verkoopt?

Er zijn behoorlijk duidelijke waarschuwingssignalen.

Zie je er meerdere tegelijk, ga dan weg.

• Toont alleen de nauwkeurigheid en nooit de ROI of de odds.
• Praat over goede voorspellingen “in het verleden”, maar heeft geen picks die vóór de wedstrijd zijn gepubliceerd.
• Belooft winst of zegt “zeker” en “zonder risico”.
• Legt niet uit hoe er is gemeten en met welke gegevens.

Wil je hier dieper op ingaan, kijk dan naar hoe je je eigen AI voor wedden maakt en traint.

Daar zie je met je eigen gegevens hoe moeilijk het is jezelf niet te misleiden.

En om hulpmiddelen te vergelijken is er het artikel over de beste AI voor sportweddenschappen.

Wat kun je hierna lezen?

Blijf je twijfelen hoeveel wedstrijden er nodig zijn, ga dan verder met de grootte van de steekproef.

Wil je het complete beeld, ga dan terug naar de hoofdgids over AI om te wedden.

En als je geld gaat inzetten, lees dan eerst verantwoord wedden.

Dit artikel is educatief en geen weddenadvies.

Gokken is alleen voor 18 jaar en ouder.

Zet alleen in wat je kunt missen.

Veelgestelde vragen

Wat is machinaal leren toegepast op wedden?

Het is het gebruik van een programma dat patronen uit gespeelde wedstrijden leert om kansen voor toekomstige wedstrijden te schatten.

Het geeft geen zekerheden, het geeft getallen.

De waarde ontstaat door die kans te vergelijken met de odds.

Deugt een model dat in het verleden veel goed had?

Niet per se.

Als het bijna alles goed heeft op gegevens die het al zag, kan het uit het hoofd leren.

Wat telt, is hoe het presteert op wedstrijden die het nooit zag, in tijdsvolgorde.

Wat is overfitting?

Het is wanneer het model de oude wedstrijden uit het hoofd leert, inclusief hun toeval.

In het verleden ziet het er perfect uit.

Op nieuwe wedstrijden presteert het veel slechter, want toeval herhaalt zich niet.

Wat meet je beter, nauwkeurigheid of ROI?

De ROI, samen met de kalibratie.

Nauwkeurigheid negeert de odds.

Een model kan in 70% van de gevallen gelijk hebben met lage odds en toch geld verliezen.

Moet ik kunnen programmeren om het te gebruiken?

Niet om te begrijpen hoe het werkt of om te beoordelen of een model serieus is.

Om er zelf een te bouwen moet je wel wat code en statistiek leren.

Veel lezers beginnen met een spreadsheet.

Gebruikt Gambeta machinaal leren?

Gambeta combineert een statistisch model met vetoregels en een kalibratie achteraf.

Elke pick wordt vóór de wedstrijd geregistreerd.

Je kunt het resultaat van alle picks bekijken in de openbare geschiedenis.