{"id":44,"date":"2013-09-12T03:55:24","date_gmt":"2013-09-12T01:55:24","guid":{"rendered":"http:\/\/dataminingsoccer.com\/fr\/?page_id=44"},"modified":"2018-05-18T07:30:06","modified_gmt":"2018-05-18T05:30:06","slug":"notre-analyse","status":"publish","type":"page","link":"http:\/\/dataminingsoccer.com\/fr\/notre-analyse\/","title":{"rendered":"Notre Analyse"},"content":{"rendered":"

R\u00e9sultats de Football: Pronostics utilisant Data Mining<\/h2>

Avec un peu de fiert\u00e9 que nous aimerions commencer par dire que nous cr\u00e9ons nos pr\u00e9dictions totalement ind\u00e9pendant<\/strong> des pr\u00e9dictions des autres. En particulier, nous n’utilisons pas de cotes des bureaux de paris ou des prestataires similaires pour des matches individuels. Nous n’utilisons que des informations publiquement disponibles pour notre analyse statistique en utilisant le data mining.<\/p>\n

Nous avons collect\u00e9 et modifi\u00e9 un grand nombre d’informations historiques<\/strong> pertinentes pour les matches de football. Ces donn\u00e9es sont analys\u00e9es par nous avec le logiciel de data mining [Data.Mining.Fox (DMF) de Easy.Data.Mining]<\/a>. Nous le faisons en deux \u00e9tapes. Etape 1 g\u00e9n\u00e8re un soi-disant mod\u00e8le<\/strong> qui est statistiquement calcul\u00e9e sur la base des donn\u00e9es historiques. Dans ce mod\u00e8le, le logiciel data mining extrait toutes les relations multi-factorielles\u00a0d\u00e9tectables dans les donn\u00e9es historiques. Et \u00e0 l’\u00e9tape 2, nous appliquons ce mod\u00e8le afin de pr\u00e9dire les r\u00e9sultats des matches de football \u00e0 venir.<\/p>\n

Nous effectuons cela pour tous les matches en trois cycles de pr\u00e9vision<\/strong>. Chaque cycle se compose – comme expliqu\u00e9 dans le paragraphe pr\u00e9c\u00e9dent – \u00e0 la cr\u00e9ation d’un mod\u00e8le, d’une part, et l’application de ce mod\u00e8le \u00e0 l’autre.<\/p>\n

Dans le 1er cycle, nous repondons toujours d’abord \u00e0 la question de savoir si un match est un match nul ou si l’\u00e9quipe\u00a0qui re\u00e7oit ou celle des visiteurs gagne. Dans le 2e et 3e cycle, nous calculons ensuite combien de buts sont marqu\u00e9s par l’\u00e9quipe qui\u00a0re\u00e7oit et celle des visiteurs. Ainsi, de tous les trois cycles nous composons le r\u00e9sultat du match.<\/p>\n

Remarque<\/strong>, bien s\u00fbr, qu’il n’est pas possible de considerer dans nos calculs des circonstances statistiquement impr\u00e9visibles ou des facteurs chang\u00e9s \u00e0 court terme – par exemple des mauvaises d\u00e9cisions des arbitres, les conditions exceptionnelles du terrain de jeu, d’une blessure ou d’une maladie des joueurs, des conditions m\u00e9t\u00e9orologiques et de la lumi\u00e8re, des sanctionnement par carte rouge des principaux acteurs, des effets de changement d’un entra\u00eeneurs, des litiges du club, des probl\u00e8mes financiers de l’association, des n\u00e9gociations contractuelles non r\u00e9gl\u00e9es, des exc\u00e8s des supporteurs, la charge suppl\u00e9mentaire des joueurs de l’\u00e9quipe nationale, etc, et des manipulations nous ne voulons m\u00eame pas parler ;-)<\/p>\n

Notre DMSC (Data.Mining.Soccer-Confidence)<\/strong> est un pourcentage de confiance statistique qui donne un aper\u00e7u sur la validit\u00e9 statistique d\u2019une pr\u00e9diction. Ce pourcentage est un rapport hybride artificiel qui est compos\u00e9 de diff\u00e9rents \u00e9l\u00e9ments: le niveau de confiance statistique calcul\u00e9e par le logiciel de data mining concernant la classe de r\u00e9sultat du match; l’esp\u00e9rance math\u00e9matique pour une victoire \u00e0 domicile, un match nul, et une victoire \u00e0 l’ext\u00e9rieur; la moyenne des taux de r\u00e9ussite que nous pourrions r\u00e9aliser pour les deux \u00e9quipes en termes des pr\u00e9dictions \u00e0 ce jour; un quota calcul\u00e9 par nous manuellement en ce qui concerne la victoire de l’\u00e9quipe qui\u00a0re\u00e7oit, de celle des visiteurs, ou match nul.<\/p>\n

Pour finir, nous aimerions attirer l’attention sur notre transparence<\/strong>. Toutes les pr\u00e9visions sont mises \u00e0 disposition avant chaque match sur ce site. Nos pr\u00e9visions restent transparentes en comparaison directe avec les r\u00e9sultats r\u00e9els, m\u00eame si nos pr\u00e9dictions \u00e9taient peut-\u00eatre tr\u00e8s pauvres une journ\u00e9e (pas toujours le cas sur d’autres sites ;-) ). Nous fournissons \u00e9galement des r\u00e9sum\u00e9s statistiques concernant notre validit\u00e9 de pr\u00e9diction pour une cat\u00e9gorie donn\u00e9e (c’est \u00e0 dire en g\u00e9n\u00e9rale pour une saison d’un concours sp\u00e9cifique comme p.e. la Ligue 1).<\/p>\n

\"Data-Mining-Soccer-haut-de-page\"<\/a>\u00a0\u00a0\u00a0\u00a0 \"Data-Mining-Soccer-football-resultat-pronostics\"<\/a>\u00a0\u00a0\u00a0\u00a0 \"Twitter-Data-Mining-Soccer\"<\/a>\u00a0\u00a0\u00a0\u00a0 \"Facebook-Data-Mining-Soccer\"<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

R\u00e9sultats de Football: Pronostics utilisant Data MiningAvec un peu de fiert\u00e9 que nous aimerions commencer par dire que nous cr\u00e9ons nos pr\u00e9dictions totalement ind\u00e9pendant des pr\u00e9dictions des autres. En particulier, nous n’utilisons pas de cotes des bureaux de paris ou des prestataires similaires pour des matches individuels. Nous n’utilisons que des informations publiquement disponibles pour … Continuer la lecture de Notre Analyse<\/span> →<\/span><\/a><\/p>\n","protected":false},"author":7,"featured_media":0,"parent":0,"menu_order":50,"comment_status":"closed","ping_status":"closed","template":"","meta":[],"yoast_head":"\n\n\n\n\n\n