Chargement en cours
On rejoue le modèle sur 6 949 matchs déjà joués(2018–2026) comme s'il ne connaissait pas le résultat, puis on compare ses probabilités à la réalité. C'est le seul moyen honnête de savoir si un modèle est fiable plutôt que chanceux. Trois questions : ses probabilités sont-elles calibrées (Brier), désigne-t-il le bon vainqueur (Accuracy), et prédit-il le bon volumede buts ?
Plus la barre rose est remplie, plus le modèle s'éloigne du hasard et se rapproche du score idéal.
Score de Brier
0.383
Erreur quadratique des probabilités. 0 = parfait, 0,667 = tirage au sort.
Précision 1X2
50.0%
Part des matchs où le résultat le plus probable est le bon. Le hasard fait ~33 %.
Log Loss
1.252
Pénalise lourdement une forte confiance qui se trompe. Plus bas = mieux.
Comment la lire :on regroupe les prédictions par niveau de confiance. Quand le modèle annonce « 60 % », l'équipe devrait gagner ~60 % du temps. Plus les barres collent à la diagonale idéale, mieux le modèle est calibré.
Matchs analysés
6 949
Buts/match prédits
2.64
Buts/match observés
2.68
Écart
0.04
Un écart proche de zéro signifie que le modèle ne sur- ni sous-estime le nombre de buts — crucial pour les paris Plus/Moins.
Les mêmes métriques, mais recalculées au fil du tournoisur les matchs déjà joués. On voit ainsi si le modèle tient ses promesses sur du réel, pas seulement sur l'historique.
Moy. Buts (observé)
2.92
Modèle: 2.6
⚠ écart 0.32
Buts totaux
292
100 matchs
Domicile
48%
Victoires home
Nuls
24%
Matchs nuls
Brier Score (historique)
0.3828
Cible: ≤ 0.25 · 6,949matchs d'entraînement
Accuracy 1X2 (historique)
50.0%
Précision des pronostics sur 6 949 matchs
Distribution des buts par match
Déviance de Poisson (vs modèle 2.6 buts/moy): NaN — Distribution divergente
