Uczenie maszynowe w zakładach: czym jest i jak działa, bez owijania w bawełnę

• Model uczy się na dawnych meczach i zwraca prawdopodobieństwa, a nie pewniki.
• Niebezpieczne jest przeuczenie: trafianie wszystkiego w przeszłości i pudłowanie na żywo.
• Aby wiedzieć, czy model się sprawdza, patrz na kalibrację, Brier i ROI i zawsze waliduj w czasie.

Czym jest uczenie maszynowe, po ludzku?

To program, który uczy się, patrząc na przykłady.

Zamiast podawać mu reguły, pokazujesz mu tysiące rozegranych już meczów.

Każdy mecz ma dane wejściowe i wynik końcowy.

Program szuka, które dane zwykle idą w parze z którymi wynikami.

Potem używa tego wzorca, żeby oszacować mecz, który jeszcze się nie odbył.

Pomyśl o dziecku, które uczy się odróżniać psy od kotów.

Nikt nie tłumaczy mu anatomii.

Widzi wiele zdjęć i zauważa, co się powtarza.

Z meczami jest tak samo, tylko na liczbach.

Ten artykuł to wersja prosta i nietechniczna.

Jeśli chcesz zobaczyć, jak działa cały algorytm, przeczytaj jak działa algorytm do zakładów.

Tutaj skupiamy się na tym, jak się uczy i jak daje się oszukać.

Jakie dane mu dajesz i co ci zwraca?

Dane wejściowe nazywa się zmiennymi.

Mogą to być ostatnie gole, gra u siebie lub na wyjeździe, dni odpoczynku, kursy zamknięcia albo kontuzje.

Wynikiem jest zwykle prawdopodobieństwo dla każdego możliwego rezultatu.

Model nie decyduje, czy obstawiasz.

Tylko szacuje.

Decyzja wynika z porównania jego prawdopodobieństwa z tym, które zawiera kurs.

Wyjaśnia to artykuł o prawdopodobieństwie implikowanym, a liczy kalkulator wartości oczekiwanej.

Trening, walidacja i test: trzy bloki danych

Poważny model nigdy nie jest mierzony na danych, na których się uczył.

Dlatego dzieli się je na trzy bloki.

Każdy ma inne zadanie.

1. Trening: mecze, na których model się uczy. To jego materiał do nauki.
2. Walidacja: mecze, których używasz do dostrajania i porównywania wersji. To próbny egzamin.
3. Test: mecze, których nikt nie dotyka do samego końca. To prawdziwy egzamin i używa się go tylko raz.

Jeśli używasz bloku testowego wiele razy, przestaje być testem.

Kończysz na dopasowaniu modelu do tego egzaminu.

To częsta pułapka i bardzo trudno ją zauważyć.

Czym jest przeuczenie i dlaczego psuje tak wiele modeli?

Przeuczenie występuje, gdy model zapamiętuje zamiast się uczyć.

Uczy się nawet przypadku dawnych meczów.

Gola po rykoszecie, spornego rzutu karnego, silnego deszczu.

Te rzeczy się nie powtarzają, ale model myśli, że tak.

To jak uczeń, który zapamiętuje odpowiedzi z egzaminów z poprzednich lat.

Jeśli egzamin się zmieni, nic nie umie.

Na próbnym dostał szóstkę, a na prawdziwym dwójkę.

Przykład: model, który wyglądał idealnie

Wszystkie liczby w tej tabeli to wymyślony przykład, który ma wyjaśnić ideę.

Wyobraź sobie 20 meczów do treningu i 20 nowych meczów do testu.

Model ze zbyt wieloma regułami dopasowuje się do każdego szczegółu pierwszej grupy.

100% w pierwszej grupie nic nie znaczy.

Model znał już te odpowiedzi.

55% w drugiej grupie to uczciwa liczba.

A przy zaledwie 20 meczach nawet ta liczba nie jest pewna.

Dlaczego model, który dużo trafiał, może przegrywać na żywo?

Są cztery częste powody.

Zwykle pojawiają się razem.

• Przeuczenie: zapamiętał przeszłość i nie nauczył się wzorca.
• Wyciek danych: niechcący model zobaczył informacje, których w prawdziwym życiu nie miałby przed meczem.
• Zmieniający się rynek: kursy się korygują i wczorajsza wartość znika.
• Mała próba: dobra seria z 50 meczów może być czystym szczęściem.

Ostatni powód jest najbardziej niedoceniany.

Jeśli chcesz zobaczyć, ile zakładów potrzeba, żeby zaufać wynikowi, przeczytaj ile zakładów potrzeba, żeby wiedzieć, czy wygrywasz.

Czym jest walidacja w czasie i dlaczego nie można patrzeć w przyszłość?

W zakładach liczy się kolejność w czasie.

Model nie może uczyć się na meczach rozegranych po tym, który chce przewidzieć.

Wydaje się to oczywiste, ale to najczęstszy błąd przy budowaniu testów.

Jeśli wymieszasz mecze losowo, model może trenować na meczu z marca, a testować na meczu z lutego.

To podglądanie przyszłości.

Wynik wygląda lepiej, niż będzie w prawdziwym życiu.

1. Uporządkuj mecze według daty

   Od najstarszego do najnowszego.

   Nigdy ich nie mieszaj.

2. Trenuj na przeszłości

   Na przykład na pierwszych ośmiu miesiącach.

   Model widzi tylko te mecze.

3. Testuj na następnym okresie

   Na miesiącu następującym po punkcie odcięcia.

   Model szacuje mecze, których nie widział.

4. Przesuń okno i powtórz

   Dodaj ten miesiąc do treningu i przetestuj kolejny.

   Tak symulujesz użycie w prawdziwym życiu.

Dlaczego czyste dane są tak ważne?

Model uczy się tego, co mu dasz.

Jeśli dasz mu brudne dane, nauczy się brudnych rzeczy.

Po angielsku mówi się „garbage in, garbage out”.

Najmniej widowiskowa, ale najważniejsza praca to czyszczenie.

• Nazwy drużyn zapisane na dwa różne sposoby dla tego samego klubu.
• Źle wpisane wyniki albo mecze odwołane, które figurują jako rozegrane.
• Kursy pobrane o różnych godzinach i wymieszane, jakby były tym samym.
• Kontuzje, które wyszły na jaw po meczu i zostały zapisane jako wcześniejsze.

Mały błąd w tysiącach wierszy zaraża wszystko.

Dlatego dobry model zapisuje każdą daną z jej datą i źródłem.

Bez daty nie da się wiedzieć, co było wiadomo przed meczem.

Które metryki naprawdę się liczą?

Najpopularniejsza jest dokładność, czyli odsetek trafień.

Jest też najbardziej mylącą metryką w zakładach.

Nie patrzy, ile płaci każde trafienie.

Kalibracja: czy 70% to naprawdę 70%?

Model jest skalibrowany, jeśli jego procenty się spełniają.

Z 100 meczów, w których powiedział 70%, powinien trafić około 70.

Jeśli trafia 55, był zbyt pewny siebie.

Ta nadmierna pewność siebie sprawia, że traci się pieniądze.

Brier: wynik błędu

Liczy się go z kwadratu różnicy między tym, co powiedziałeś, a tym, co się stało.

Jeśli powiedziałeś 80% i się wydarzyło, błąd to 0,2 do kwadratu.

Jeśli się nie wydarzyło, błąd to 0,8 do kwadratu.

Uśrednia się to po wszystkich meczach.

To przykład sprawdzony kodem.

Model mówi 80% w 5 meczach i trafia 4.

Jego Brier wynosi 0,16.

Ten, kto mówi 50% o wszystkim, nic nie wiedząc, dostaje 0,25.

Mniej znaczy lepiej, więc pierwszy wygrywa.

Zwróć uwagę na ostatni wiersz.

Ten, kto powiedział 100%, trafił tyle samo, ale dostaje gorszą ocenę.

Brier karze za pewność, która nie ma uzasadnienia.

ROI a dokładność: ten sam model, dwa werdykty

Kolejny przykład, również sprawdzony.

Obstawiasz 10 razy po kursie 1,30 i wygrywasz 7.

Obstawiasz kolejne 10 razy po kursie 2,50 i wygrywasz 5.

Wybór według dokładności skierowałby cię do pierwszej grupy, ale spójrz na rachunki.

Przy kursie 1,30 próg rentowności to trafianie w 76,9% przypadków.

Trafianie w 70% zostawia cię pod kreską.

Przy kursie 2,50 wystarczy 40%.

Dlatego bez kursu dokładność nic nie mówi.

Jak używa tego Gambeta, w uczciwych słowach?

Gambeta nie używa czatu z AI do decydowania o typach.

Podstawą jest model statystyczny, który szacuje prawdopodobieństwa na danych o meczach.

Potem stosuje się do niego weta i kalibrację.

• Model: szacuje prawdopodobieństwo każdego rezultatu.
• Weta: reguły, które usuwają typ, jeśli coś się nie zgadza, np. ważna absencja albo brak danych.
• Kalibracja: koryguje procenty, żeby nie były zbyt optymistyczne.
• Rejestr: każdy typ jest publikowany przed meczem i rozliczany na podstawie publicznych źródeł.

Nie ujawniamy wewnętrznych parametrów, bo są częścią pracy.

Pokazujemy za to wynik wszystkiego, co opublikowane.

Chodzi o to, żebyś nie musiał nam wierzyć: możesz to sprawdzić.

Prawdziwa dana, ze źródłem i datą

Policzyliśmy to na publicznym pliku historii Gambeta, zaktualizowanym 28 października 2026.

Jest 1 539 typów rozliczonych jako wygrane lub przegrane, od 21 marca 2026.

Wygrało 856, czyli 55,6%.

Średni kurs wyniósł 1,83.

Przy stałej jednostce na każdy typ wynik jest praktycznie zerowy.

ROI wynosi −0,02%, co czyta się jako techniczny remis.

To nie liczba, którą można się chwalić, i dlatego ją podajemy.

To pomiar przy stałej stawce, a nie rzeczywista stawka każdego typu.

Szczegóły każdego wyniku są w historii.

Codzienna analiza i korekty są w Dzienniku zakładów (Jornal).

Jak rozpoznać kogoś, kto sprzedaje „wygrywający” model?

Są dość wyraźne sygnały ostrzegawcze.

Jeśli zobaczysz kilka naraz, odejdź.

• Pokazuje tylko dokładność, nigdy ROI ani kursów.
• Mówi o trafieniach „w przeszłości”, ale nie ma typów opublikowanych przed meczem.
• Obiecuje zyski albo mówi „pewne” i „bez ryzyka”.
• Nie wyjaśnia, jak mierzył ani na jakich danych.

Jeśli chcesz zgłębić ten temat, zobacz, jak stworzyć i wytrenować własną AI do zakładów.

Zobaczysz tam na własnych danych, jak trudno się nie oszukać.

A do porównania narzędzi jest artykuł o najlepszej AI do zakładów sportowych.

Co czytać dalej?

Jeśli została ci wątpliwość, ile meczów potrzeba, przejdź do wielkości próby.

Jeśli chcesz pełnego obrazu, wróć do artykułu głównego o AI do zakładów.

A jeśli zamierzasz postawić pieniądze, najpierw przejrzyj zasady odpowiedzialnej gry.

Ten artykuł ma charakter edukacyjny i nie jest rekomendacją zakładu.

Gra jest tylko dla osób powyżej 18 lat.

Obstawiaj wyłącznie tyle, ile możesz stracić.

Najczęściej zadawane pytania

Czym jest uczenie maszynowe zastosowane do zakładów?

To użycie programu, który uczy się wzorców z dawnych meczów, żeby szacować prawdopodobieństwa przyszłych.

Nie daje pewności, daje liczby.

Wartość pojawia się, gdy porównasz to prawdopodobieństwo z kursem.

Czy model, który dużo trafiał w przeszłości, się sprawdza?

Niekoniecznie.

Jeśli trafia prawie wszystko na danych, które już widział, może je po prostu zapamiętywać.

Liczy się to, jak radzi sobie z meczami, których nigdy nie widział, uporządkowanymi w czasie.

Czym jest przeuczenie?

To sytuacja, gdy model uczy się na pamięć dawnych meczów, razem z ich przypadkiem.

W przeszłości wygląda idealnie.

Na nowych meczach radzi sobie znacznie gorzej, bo przypadek się nie powtarza.

Co lepiej mierzyć: skuteczność czy ROI?

ROI, razem z kalibracją.

Skuteczność ignoruje kurs.

Model może trafiać w 70% przypadków przy niskich kursach i mimo to tracić pieniądze.

Czy muszę umieć programować, żeby z tego korzystać?

Nie, żeby zrozumieć, jak to działa, i ocenić, czy model jest poważny.

Aby zbudować własny, trzeba nauczyć się trochę kodu i statystyki.

Wielu czytelników zaczyna od arkusza.

Czy Gambeta używa uczenia maszynowego?

Gambeta łączy model statystyczny z wetami i późniejszą kalibracją.

Każdy typ jest rejestrowany przed meczem.

Wyniki wszystkich możesz sprawdzić w publicznej historii.