Почему 98% вероятности — не приговор: как ИИ считает футбольные матчи и где ошибается — 06.10.2026

<p>Я вчера разбирал матч Wales U21 — Austria U21, где модель выдала П1 с вероятностью 98%. Звучит как верняк? Именно так думают многие, пока не видят, как ИИ проваливается на простых вещах. Давайте разберём, что стоит за этими цифрами, какие алгоритмы мы используем и почему даже 98% — это не гарантия.</p>

<h2>Какие модели работают в предсказаниях</h2>

<p>В основе наших прогнозов — ансамбль из нескольких ML-моделей. <strong>Random Forest</strong> хорошо ловит нелинейные зависимости, но может переобучаться на мелких выборках. <strong>XGBoost</strong> и <strong>LightGBM</strong> — это градиентный бустинг, который быстро обучается и даёт стабильный фича-импорт. <strong>CatBoost</strong> отлично работает с категориальными признаками (лига, стадион, турнир). А <strong>нейросети</strong> (в основном LSTM и трансформеры) используются для анализа временных рядов: формы, динамики xG, серий.</p>

<p>Мы не полагаемся на одну модель. Каждый прогноз — это взвешенный микс outputs от всех алгоритмов, где вес зависит от исторической точности на похожих матчах.</p>

<h2>Feature engineering: что мы «скармливаем» моделям</h2>

<p>Сырые данные ничего не значат. Мы готовим признаки, которые несут прогнозную силу:</p>

<ul>

<li><strong>xG (ожидаемые голы)</strong> — не просто сумма, а динамика xG за последние 5-10 матчей, разбивка на домашние/гостевые матчи, xG против соперника.</li>

<li><strong>Glicko-2</strong> — рейтинговая система, которая учитывает не только результат, но и надёжность оценки (rating deviation). Это важнее ELO, потому что показывает, насколько «уверен» рейтинг команды.</li>

<li><strong>Форма</strong> — не просто последние 5 игр, а взвешенная форма с учётом силы соперника и мотивации (турнирное положение).</li>

<li><strong>Тактические метрики</strong> — владение в финальной трети, pressed actions, шансы через фланги/центр.</li>

</ul>

<p>Например, в матче <strong>Moldova U21 — Kazakhstan U21</strong> модель увидела, что Moldova дома генерирует xG 1.8 за матч, а Kazakhstan в гостях пропускает 1.4. Отсюда П1=62% и ТМ 2.5 с кэфом 1.68.</p>

<h2>Почему даже 98% — это не приговор</h2>

<p>Взять Wales U21 — Austria U21. ML П1=98%, прогноз на ТМ 2.5. Звучит надёжно? Но давайте честно: xG — это вероятностная оценка, а не приговор. Реальный исход зависит от реализации моментов (коэффициент реализации у Wales может быть 12%, а у Austria — 8%, и это сразу меняет картину), решений ВАР (спорные пенальти, офсайды), человеческого фактора (травма за 20 минут до свистка, эмоциональный спад после гола).</p>

<p>Наши модели дают <strong>матожидание</strong>, а не предсказание. Даже 98% вероятность означает, что в 2 из 100 случаев произойдёт нечто, чего модель не учла: погода, судейская суббота, психология вратаря.</p>

<h2>Показатели точности и где мы ошибаемся</h2>

<p>Средняя accuracy наших ансамблей на топ-лигах — 64-68% на исход матча, 71-75% на тоталы. Это не 90%, как хотят верить новички. Основные ошибки:</p>

<ul>

<li>Недоучёт мотивации (кубковые матчи, товарищеские игры).</li>

<li>Поздние смены состава (модель работает на данных за 24 часа до матча, а за час до свистка могут выйти резервисты).</li>

<li>Высокая дисперсия в