TOPTYPY
LIVE
CONFIDENCE FEED
EkstraklasaLech PoznańvsLegia1:067'1: 72%X: 18%2: 10%▲Premier LeagueMan CityvsArsenal0:034'1: 45%X: 28%2: 27%—BundesligaBayernvsDortmund2:178'1: 68%X: 20%2: 12%▲LaLigaReal MadridvsBarcelona0:152'1: 28%X: 22%2: 50%▼Ligue 1PSGvsLyon1:188'1: 38%X: 42%2: 20%—Serie AJuventusvsInter0:020'1: 38%X: 30%2: 32%—EkstraklasaRakówvsPogoń1:055'1: 65%X: 22%2: 13%▲EkstraklasaLech PoznańvsLegia1:067'1: 72%X: 18%2: 10%▲Premier LeagueMan CityvsArsenal0:034'1: 45%X: 28%2: 27%—BundesligaBayernvsDortmund2:178'1: 68%X: 20%2: 12%▲LaLigaReal MadridvsBarcelona0:152'1: 28%X: 22%2: 50%▼Ligue 1PSGvsLyon1:188'1: 38%X: 42%2: 20%—Serie AJuventusvsInter0:020'1: 38%X: 30%2: 32%—EkstraklasaRakówvsPogoń1:055'1: 65%X: 22%2: 13%▲EkstraklasaLech PoznańvsLegia1:067'1: 72%X: 18%2: 10%▲Premier LeagueMan CityvsArsenal0:034'1: 45%X: 28%2: 27%—BundesligaBayernvsDortmund2:178'1: 68%X: 20%2: 12%▲LaLigaReal MadridvsBarcelona0:152'1: 28%X: 22%2: 50%▼Ligue 1PSGvsLyon1:188'1: 38%X: 42%2: 20%—Serie AJuventusvsInter0:020'1: 38%X: 30%2: 32%—EkstraklasaRakówvsPogoń1:055'1: 65%X: 22%2: 13%▲
← Powrót do bloga
📐Model28 lut 2025

Dlaczego Poisson, nie neural network?

Modele głębokiego uczenia są popularne, ale w predykcji piłkarskiej często przegrywają z klasyczną statystyką.

Model Poissona jest podstawą TOPTYPY — nie dlatego, że neural networki są gorsze, ale dlatego, że są złe do tego konkretnego problemu.

Problem: małe datasety

Premier League rozgrywa 380 meczów na sezon. To niewiele danych dla sieci neuronowej, która potrzebuje tysięcy przykładów. Model Poissona działa dobrze przy małych datasetach, bo jego założenia (gole jako niezależne zdarzenia Poissona) są rozsądnie spełnione w piłce nożnej.

Interpretowalność

Gdy nasz model mówi: "Lech wygra z prawdopodobieństwem 65%", możemy powiedzieć DLACZEGO. Siła ataku Lecha = 1.82 gola/mecz, obrona Rakowa przepuszcza 0.95 gola/mecz → lambda_home = 1.82 × 0.95 × korekta = 1.73. To jest model, który da się sprawdzić i zakwestionować.

Backtest pokazuje

W naszym backteście 2019-2024 (Premier League, 1900 meczów) model Poissona osiągnął ROI +8.2% przy value betach z EV > 5%. Prosty RandomForest osiągnął ROI +3.4% — gorzej, mimo że jest "bardziej zaawansowany".

Kiedy używamy ML?

ML używamy do jednego: kalibracji wyjść modelu. Surowe prawdopodobieństwa Poissona są lekko przekalibrowane (za pewne w faworycie). Isotonic regression koryguje to używając danych historycznych. To połączenie statystyki i ML daje najlepsze wyniki.

CHCESZ ZOBACZYĆ MODEL W AKCJI?

Sprawdź nasze aktualne predykcje i value bety — wszystkie obliczone metodologią opisaną w tym artykule.