Колкото и учено да изглежда заглавието на практика нещата са по простички, но трябва да имате някаква програма, може и направена с поизън дистрибуция, както посочих в по-ранни постове за футболното прогнозиране:
1.     Разделете средният брой отбелязани голове като домакин/гост на средният брой получени голове като домакин/гост
2.     Използвайте формулата за stdev и натрупайте данни
3.     Използвайте average, за да изчислите средният брой на натрупаните така данни 4.     Използвайте отново stdev, за да определите вече стандартната девиация в така натрупаните данни
Организирайте резутатите така: Предикции 1-ца: неуспешни прогнози; успешни прогнози Предикции Х: неуспешни прогнози; успешни прогнози Предикции 2: неуспешни прогнози; успешни прогнози
НАЧИН НА РАБОТА: когато програмата ви предиктира 1-ца, но мачлето не е излязло така данната по точка №2 влизат в гравата на неуспешните прогнози и обратното; същото е и за другите предикции, като в тези графи се ползва average функцията
После определяте стандартната девиация поотделно на неуспешните и успешните прогнози със същите данни, които сте ползвали в средно аритметичното и имаме следните примерни данни, които позиционираме в съответните клетки на нова електронна таблица:

·        В клетка A1 въведете 0.16 (примерна стойността за новия мач).

·        В B1 и B2 въведете средните стойности (0.13 и 0.19) – това са средните стойности

·        В C1 и C2 въведете стандартните отклонения (0.14 и 0.12) на средните стойности

И формулата за вероятността (нормално разпределение) е:
=EXP(-((A1-B1)^2)/(2*C1^2))/(C1*SQRT(2*PI()))

Получените данни са за негативнети резултати, повторете формулата за втория клас – позитивните резултати, като промените B1 и C1 на B2 и C2.
Сравнете резултатите – по-голямата стойност указва вероятния клас за предикциите 1-ца!

Направете същото с данните за Х и 2-ките!

Принципно Питон е по-добър за тази задача, но се искат познания за неговото ползване. Защо Python е по-добър за такива анализи?

·        Автоматизира изчисленията (не трябва ръчно да смятате).

·        Можете да анализирате хиляди мачове наведнъж.

·        Има готови библиотеки за статистика и машинно обучение.

Ето го и Питон кода за горните данни: from sklearn.naive_bayes import GaussianNB import numpy as np   # Данни: [стандартно отклонение] X = np.array([[0.14], [0.12]])  # Неуспешни (0), Успешни (1) y = np.array([0, 1])  # 0=Неуспешни, 1=Успешни   # Модел model = GaussianNB() model.fit(X, y)   # Прогноза за нов мач (0.16) prediction = model.predict([[0.16]]) print("Клас:", "Успешни" if prediction[0] == 1 else "Неуспешни")

Резултатите от кода в ексел и Питон са идентични!!!

Ако имате въпроси, моля питайте на лични, но помнете че във футболното прогнозиране нищо не е Панацея и всяка система си има своите дефекти и бъгове!!!

Успехи 😉

...да оцени направеното досега, понеже нищо не може да се сравни с обхватността на анализите на ИИ засега и рецензията му я поставих като скрийншот в постингът...
за да ползвате този метод се иска доста игра, за да натрупате достатъчно количество записи, нужни са около 10 000 записа поне, за всеки логически вариант по около 1000 записа, но си е ценен ориентир в контакста на комплексността на финалното бетинг решение...