Коли дані перевищують інтуїцію

Матч, який не мав відбутися

Я спостерігав LAFC проти Flamengo не як фан — а як інженер, що бачить xG, очікувані пункти та дисперсію захицини як рівняння в реальному часі.

LAFC, колишні чемпіони Західної конференції, тепер на п’ятому місці — не через втрату переваги, а через те, що їхня модель перестала чути сигнал. Їхнє нападаючий? Шум. Їхнє воротар? Випадково. Дані не брехали — їх просто затопило погано зваженими ознаками.

Flamengo, з іншого боку — бразильськi великан з оцiнкою €212M — не грають красивий футбол. Вони працюють з байєсiвським петлю-рекурентним двигуном, налашеним на 137 матчах за три сезони.

Їхнiй нападаючий? Не талант — це постеперiорний розподiл зон тиску.

Їхнiй польовий? Динамiчний алгоритм регулювання ваги, натренований на десятирр里 карти ударiв.

Це не про те, хто забив — а про те, чому вони забили.

Я колись думав, що передбачення — це гадання, поки не побачив: як шум стає сигналом, коли вилучаєш упередження з даними.

Алгоритм, який побачив першим

На GitHub я вiдкрив свiй модел: Predictive Pulse v3. Вона не передбачує перемоги. Вона передбачує причинно-наслidженнi ланцi.

Los Angeles FC не провалилася через те, що витратила над зорами. Вона провалилася через те, що плутала дисперсiю заVolatility — та плутала кореляцii за причинн iстю.

Flamengo не перемогла через кращих гравцiв. Вона перемогла через те, що тренер побудував дерева прийняття рishень у реальному контекстi — не фантазii чи поширення чуток..

Тиха правда за лайн-гоалом

М’яч не цикається чи тоба чорний чи билий; чого багатий чи бедний; американець чи явамайський. Даны цикаються лише за тим: ваш приор добре спецификований і ваша функцia правдоподобност i налашена до реальност i.