Kadro HQ
Model Karnesi
Modelin beklenen-puan tahminleri gerçek sonuçlarla ne kadar uyuşuyor? Aşağıdaki backtest, geçmiş sezonların 17.290 oyuncu-GW'sinde tahmini gerçek puanla karşılaştırır; bulunan sistematik sapma bir kalibrasyonla düzeltilir ve tüm siteye uygulanır.
Backtest — Genel DoğrulukiFit: 2022-23, 2023-24 · Test: 2024-25 (görülmemiş sezon). Her oyuncu-GW için modelin tahmini, o oyuncunun bir sonraki hafta yaptığı GERÇEK puanla karşılaştırılır.
ÖrneklemiÖlçüm kaç oyuncu-hafta üzerinde yapıldı. Ne kadar çok, o kadar güvenilir. Birkaç yüz = temkinli yorumla, binlerce = sağlam. Buradaki 17 bin çok sağlam bir temel.
17.290
KorelasyoniTahmin ile gerçek puanın ne kadar birlikte hareket ettiği. 0 = hiç ilişki yok (rastgele), 1 = kusursuz. Tek haftalık FPL şansa çok açık olduğundan gerçekçi aralık 0.3–0.5; 0.4+ "model gerçek sinyali yakalıyor" demek. 1'e yakın olamaz çünkü futbolun kendisi öngörülemez.
0.41
Ort. hata (MAE)iTahmin ortalama kaç puan yanılıyor. Düşük = iyi. Oyuncular haftada ~0–15 puan yaptığından ~1–2 puan iyi, 3+ zayıf. Bu tek bir haftanın kesin tahmini değil, beklenen değer — asıl önemli olan çok hafta boyunca ortalamanın tutması.
1.44 puan
SapmaiTahminler sistematik olarak yüksek mi düşük mü (tahmin − gerçek). 0'a yakın = tarafsız (en iyisi). Negatif = model az tahmin ediyor, pozitif = fazla. |0.2| altı iyi, |0.5|+ dikkat. MAE "ne kadar yanılıyor", sapma ise "hangi yöne kayıyor" — bu yön hatası kalibrasyonla düzeltilir.
-0.32
Pozisyona Göre Doğruluk & KalibrasyoniModelin en büyük hatası buradaydı: MID ve FWD sistematik az tahmin ediliyordu (GK/DEF isabetli). Bu, pozisyonlar-arası karşılaştırmayı defans lehine yanlılıyordu. Sağdaki kalibrasyon (gerçek ≈ a·tahmin + b) bunu düzeltip tüm siteye uygulanıyor.
| Pozisyon | niO pozisyonda kaç oyuncu-hafta ölçüldü. Ne kadar çok, o pozisyonun sonucu o kadar güvenilir. | Ort. tahminiModelin o pozisyon için verdiği ortalama tahmin (puan/hafta). | Ort. gerçekiO pozisyonun gerçekte yaptığı ortalama puan. İyi bir modelde "Ort. tahmin"e yakın olmalı; aradaki fark = sapma. | SapmaiOrt. tahmin − Ort. gerçek. 0'a yakın (yeşil) = isabetli. Kırmızı/negatif = model o pozisyonu az tahmin ediyor. |0.2| altı iyi, |0.5|+ dikkat. | KalibrasyoniSapmayı düzelten formül: düzeltilmiş = a×tahmin + b. a>1 veya b>0 tahmini yukarı çeker (model az tahmin ediyordu). Örn. FWD ×1.01 +0.37 = forvet tahminlerine biraz ekle. %50 kimliğe büzülmüş — yani temkinli uygulanır. |
|---|---|---|---|---|---|
| GK | 1271 | 1.82 | 1.81 | +0.01 | ×0.86 +0.20 |
| DEF | 5968 | 1.33 | 1.41 | -0.08 | ×0.90 +0.18 |
| MID | 8191 | 1.22 | 1.72 | -0.50 | ×0.95 +0.23 |
| FWD | 1860 | 1.42 | 1.99 | -0.57 | ×0.99 +0.33 |
Yeşil sapma = isabetli · kırmızı = az tahmin · kalibrasyon %50 kimliğe büzülmüş (overfit'e karşı temkinli).
🔄 Kalibrasyon bu sezonun canlı verisiyle güncellendi — 20.10.2026, 2.871 örneklem. Sonuçlar biriktikçe model kendini otomatik ayarlar (backtest prior'ıyla örneklem-ağırlıklı harmanlanır).
Kalibrasyon EğrisiiOyuncular tahmine göre 10 dilime bölünür; her dilimde ortalama tahmin ile ortalama gerçek puan. İyi bir model için ikisi yakın olmalı. Çubuklar gerçek puanı gösterir; ◆ tahmini işaretler.
▓ gerçek puan · ◆/çizgi tahmin. Alt dilimlerde çizgi çubuğun solunda = model o grupta az tahmin ediyor.
Canlı Sezon KarnesiiWorker her GW başında modelin tahminini kaydeder; GW bitince gerçek puanla notlar. Böylece bu sezonun kendi doğruluğu birikir. İlk birkaç hafta veri toplanır.
NotlananiBu sezon kaç oyuncu-hafta notlandı. Sezon ilerledikçe artar ve sonuç güvenilirleşir.
2871 oyuncu-GW
KorelasyoniTahmin ile gerçeğin birlikte hareketi. 0 = rastgele, 1 = kusursuz. Tek-hafta FPL'de 0.3–0.5 iyi.
0.40
MAEiTahmin ortalama kaç puan yanılıyor. ~1–2 iyi, 3+ zayıf.
1.58 puan
SapmaiYön hatası (tahmin − gerçek). 0'a yakın = tarafsız. Negatif = az tahmin. Kalibrasyon iyiyse ~0 çıkmalı.
+0.05
| GW | n | Sapma | MAE |
|---|---|---|---|
| GW2 | 584 | +0.54 | 1.85 |
| GW3 | 603 | +0.72 | 1.87 |
| GW4 | 560 | -0.38 | 1.40 |
| GW5 | 562 | -0.43 | 1.38 |
| GW6 | 562 | -0.27 | 1.37 |
Kalibrasyon 31.08.2026 tarihinde npm run backtest ile üretildi. Modelin bileşenleri değişince yeniden çalıştırılıp yeniden kalibre edilebilir. Bu bir denetimli kalibrasyondur (objektif sonuçlara göre), "kendi önerilerinden öğrenme" değil.