La Science au Foot

La Courte Est le Terrain

J’ai grandi à regarder le basketball sur les courts de Chicago—pas le football en Europe. Mais quand mon père, ingénieur noir, m’a transmis son premier script Python pour prédire les résultats, j’ai compris : le football n’est que des statistiques vêtues de cuir.

Le Mythe du Recommandement « Expert »

Les « experts » recommandent encore « main胜 » par intuition et bruit de foule. Ils l’appellent « feeling ». Pendant ce temps, mon modèle utilisait les données xG d’Opta—nettoyées avec R—and a révélé que Los Angeles vs. Freamgo avait une probabilité de victoire de 37 % malgré zéro but.

Le Modèle Silencieux Qui a Gagné

Ce n’est pas une question de passion. C’est une question de précision.

J’ai exécuté un réseau bayésien hiérarchique : prior sur la possession = 0,62 ; postérieur sur la qualité du tir = 0,81.

La foule l’appelait « trop risqué ». Moi, je l’ai appelé « nécessaire ». Quand vous voyez une équipe gagner avec zéro but ? Vous ne voyez pas les données—vous voyez votre biais.

Pourquoi Votre Modèle a Prédit la Victoire ?

Vous pensiez que Freamgo a perdu parce qu’il était « tactiquement retardé ». Mais leur sortie attendue était supérieure à la moyenne—theur défense s’est effondrée sous pression, pas faute de talent. Mon modèle l’a vu avant le coup de sifflet.

Démocratie des Données ≠ Monopole des Experts

Les données ouvertes battent toujours les algorithmes fermés. Si vous pariez encore sur l’intuition… vous n’analysez pas—vous devinez.