1. Сначала данные, потом вывод
Модель получает историю матчей, результаты, голевые показатели, домашнюю и гостевую форму, особенности турнира и доступную прематчевую линию. Для угловых, карточек и других событий нужны отдельные наборы признаков: результативность команды не объясняет дисциплину или стиль подачи угловых.
Главное правило — не использовать сведения, которые стали известны после начала матча. Иначе тест выглядит отличным, но в реальной работе такая модель бесполезна. Поэтому обучение PrognozAI отделяет прематчевые признаки от итоговых данных.
2. Вероятность важнее красивого процента
Алгоритм не просто выбирает «больше» или «меньше». Сначала он оценивает вероятности исходов. Затем оценка калибруется: если модель много раз показывает около 70%, события этой группы должны проходить примерно в семи случаях из десяти на независимой выборке.
3. Сравнение с линией
Вероятность букмекера скрыта в коэффициенте. Коэффициент 2.00 примерно соответствует 50% до поправки на маржу. Если модель оценивает событие заметно выше и линия подтверждена, появляется потенциальный value. Но слишком большая разница также может быть признаком неправильного сопоставления матча или рынка, поэтому подозрительные значения блокируются.
4. Фильтр публикации
Не каждый рассчитанный рынок становится прогнозом. Перед публикацией проверяются актуальность матча, точное название команд, время начала, наличие такого исхода в линии, коэффициент и отсутствие дубля. Для VIP действуют более строгие требования по вероятности, качеству лиги и горизонту: сегодня или завтра.
Если достойного варианта нет, раздел может оставаться пустым. Это нормальная работа фильтра, а не ошибка системы.
5. Обучение после завершения матчей
Когда матч закрыт, прогноз получает статус выиграл, проиграл или возврат. В обучающую статистику попадают только корректно сопоставленные результаты. Затем модель сравнивает рынки, лиги и диапазоны вероятности, усиливая устойчивые зоны и блокируя слабые.