🎯 Зачем нужно машинное обучение?

Человек физически не способен запомнить и проанализировать 5320 хоккейных матчей, найти в них закономерности, учесть сотни факторов одновременно и вычислить вероятности исходов. Компьютер может.

Машинное обучение — это способ научить компьютер находить паттерны в данных, которые человек не видит. Модель анализирует тысячи прошлых матчей и выявляет: "когда сходятся такие-то условия, в 63% случаев побеждает гостевая команда".

📊 Данные — топливо модели

Качество прогнозов напрямую зависит от качества данных. Мы используем официальную статистику NHL за 7 сезонов (2016-2023), дополненную историческими коэффициентами букмекеров.

Что записывается по каждому матчу:

🔢 Признаки — язык модели

Модель не понимает человеческий язык. Она не знает что "Calgary хорошо играет дома". Но она понимает числа: home_win_streak = 5, goals_per_game = 3.2.

Признак (feature) — это численная характеристика, которую модель может "увидеть" и использовать для предсказания. Мы преобразуем сырые данные матчей в 112 признаков.

🎓 Обучение — поиск закономерностей

Обучение модели — это процесс, в котором алгоритм анализирует тысячи примеров и находит правила, которые позволяют предсказывать результат. Модель ищет зависимости вида: "когда домашняя серия > 4 И коэффициент гостей < 2.5, гости побеждают в 63% случаев".

Почему делим на 80% и 20%?

Если проверять модель на тех же данных, на которых она училась — она покажет отличный результат, но на новых матчах провалится. Это называется переобучение (overfitting).

Представьте студента, который выучил ответы на все задачи из учебника, но не понял принцип решения. На экзамене с новыми задачами он провалится. Поэтому мы учим модель на 80% матчей, а проверяем на 20%, которые она никогда не видела.

🌲 Random Forest — ансамбль деревьев решений

Random Forest (случайный лес) — это 100 деревьев решений, каждое из которых обучено на случайной выборке данных. Каждое дерево "голосует" за исход, и побеждает большинство.

Дерево решений — это цепочка вопросов "да/нет":

Почему "случайный лес" работает лучше одного дерева?

Одно дерево может ошибиться — оно переобучится на своих данных. Но когда 100 деревьев, каждое обученное на разных примерах, голосуют вместе — их ошибки компенсируются, а правильные ответы усиливаются. Это называется "мудрость толпы".

🧠 LSTM — нейросеть с памятью

LSTM (Long Short-Term Memory) — это тип нейронной сети, который умеет работать с последовательностями. В отличие от Random Forest, который видит только текущий матч, LSTM анализирует последние 10 матчей каждой команды как единую историю.

Что видит LSTM в каждом матче (16 признаков):

Преимущество LSTM: сеть видит контекст. После 5 побед подряд команда может быть уставшей или наоборот — "в потоке". LSTM учитывает такие динамические паттерны, которые Random Forest не видит.

📋 CPP — экспертные правила

CPP (Critical Pattern Prediction) — это набор правил, основанных на экспертном анализе хоккея. Машинное обучение не всегда находит очевидные закономерности. Иногда человеческий опыт даёт лучшие результаты.

Ключевой принцип CPP: "Серии ломаются"

Когда команда выигрывает или проигрывает слишком много матчей подряд — вероятность прерывания серии растёт. Победные серии заканчиваются из-за усталости и расслабленности. Серии поражений заканчиваются из-за мотивации и статистического возврата к среднему. Мы определили критические длины серий на основе анализа 5320 матчей:

Результаты бэктеста CPP:

🎯 Как система находит выгодные ставки

Разберём реальный пример: Edmonton Oilers @ Calgary Flames

Calgary Flames

Дома

VS

Edmonton Oilers

В гостях

📈

Calgary

5

побед дома подряд → пора прерваться

📈

Edmonton

4

поражения на выезде → пора прерваться

⚔️

Личные встречи

1-4

Calgary доминирует → пора прерваться

⚡ Синергия: 3 паттерна указывают на прерывание

✅

Рекомендация системы

Победа Edmonton Oilers (гости)

76%

Win Rate

+27%

ROI

21

Ставок в истории

Уверенность модели 76%