Pronostic MLB par IA : comment notre modèle prédit vraiment le baseball

La plupart des « pronostics MLB par IA » qu'on trouve en ligne sont un chatbot habillé d'un logo. Les nôtres, non. Les prédictions MLB de ProbWin sortent de nos propres modèles de machine learning, construits et validés sur plusieurs saisons de données réelles — et chaque prédiction est publiée avant le premier lancer, pour que vous puissiez la confronter au résultat. Les réussites comme les échecs.

Ce guide explique, en clair, comment le modèle fonctionne, ce qu'on y met, et — tout aussi important — ce qu'on refuse de prétendre. Pas de boîte noire, pas de « pick du siècle », pas de gains garantis.

Le baseball est un sport de données — on le traite comme tel

Un match de baseball est une chaîne de duels : ce lanceur partant contre cette formation, dans ce stade, dans ces conditions, avec ces enclos de relève qui attendent. Presque chaque maillon laisse une trace statistique. C'est exactement pour ça qu'un modèle discipliné peut trouver un avantage là où l'intuition échoue — et pourquoi on construit pour le baseball autrement que pour, disons, le football.

On ne fait pas tourner un seul gros modèle pour tout. On utilise un modèle dédié par marché, parce que le total (over/under), le run line et les 5 premières manches sont trois questions différentes, avec trois sources de bruit différentes.

Trois marchés, trois modèles

Remarquez ce qui manque : le tapage. Chaque modèle sort une probabilité, pas un slogan. Quand il annonce 58 %, ce chiffre est tout le produit — et on se tient à cette exigence (voir « calibration » plus bas).

Ce qui entre vraiment dans le modèle

On ne livre pas la recette, mais voici la liste honnête des ingrédients — les facteurs qui font bouger un match de baseball et dont nos modèles apprennent :

• Les lanceurs partants, évalués tels qu'ils étaient ce jour-là — pas avec leurs stats de fin de saison. Ça compte plus qu'il n'y paraît (c'est la façon la plus courante dont les « backtests » publics trichent ; on y revient).
• L'attaque selon la main — la vraie menace d'une formation dépend de si elle affronte un gaucher ou un droitier, surtout en haut de l'ordre.
• Le stade — les environnements de points varient énormément d'un parc à l'autre.
• La météo — température et conditions changent la portée de la balle.
• Les enclos de relève — charge de travail récente et fatigue, parce qu'un releveur fatigué concède des points tardifs.
• Un rating de points ajusté à l'adversaire — notre touche : les runs marqués et encaissés d'une équipe, corrigés de la force des adversaires réellement affrontés. Voyez ça comme la version baseball des « buts attendus ajustés à l'adversaire ». Une soirée à 5 points contre la meilleure rotation de la ligue vaut plus que 5 points contre la pire.
• La récence — les matchs récents pèsent plus que ceux d'il y a des mois, pour suivre la forme plutôt qu'une moyenne de saison figée.

Ce que presque personne ne fait : prouver que le modèle tient

C'est là que la plupart des « picks IA » s'effondrent, et là qu'on passe le plus de temps.

1. On valide sur deux saisons complètes — sans fuite de données. Chaque variable est calculée strictement « à l'instant d'avant le match ». Ça paraît évident, mais les backtests les plus flatteurs de ce milieu utilisent en douce une information pas encore disponible (stats de lanceur de toute la saison appliquées à des matchs d'avril, scores finaux réinjectés). C'est comme ça qu'un modèle cassé affiche un faux +30 %. On a banni ces raccourcis et reconstruit les données pour que le passé ne puisse pas lorgner le futur.

2. On ne publie un pick officiel que là où le modèle a prouvé qu'il est calibré. La calibration est le test honnête : quand le modèle annonce 58 %, gagne-t-il vraiment ~58 % du temps ? On le vérifie, marché par marché, sur les deux saisons. Un modèle ne gagne le statut « officiel » que dans les zones où il a répété sa probabilité annoncée — et seulement quand les deux partants sont confirmés. Le reste reste une tendance, clairement étiquetée, jamais vendue comme un pick.

3. On tue nos propres mirages. Un backtest brillant sur une saison mais incapable de se répéter sur l'autre est jeté — peu importe la beauté du chiffre. Cette seule règle a mis à la retraite plusieurs « avantages » qui auraient coûté de l'argent réel.

Vous n'avez à nous croire sur parole pour rien de tout ça. On publie une table « annoncé vs réalisé » en direct — la probabilité annoncée du modèle à côté de ce qui s'est vraiment passé — pour que vous nous auditiez comme on s'audite nous-mêmes.

Ce qu'on ne prétend PAS

Être utile, c'est être honnête sur les limites :

Cette dernière ligne compte. On ne promet pas de battre les books les plus affûtés sur chaque ligne — c'est un autre sport, et quiconque le garantit vend quelque chose. Certaines de nos lectures passent devant la clôture du marché, d'autres non, et honnêtement pas aussi souvent qu'on le voudrait — on préfère vous le dire plutôt que de l'enjoliver. Ce qu'on délivre, match après match, c'est une lecture calibrée et indépendante publiée au grand jour, pour que vous décidiez avec une meilleure information qu'un avis à l'emporte-pièce.

Comment s'en servir

1. Commencez par le tableau du jour. Ouvrez la page des picks MLB : chaque match a son analyse, et les picks officiels sont séparés des tendances.
2. Lisez le raisonnement, pas juste le pick. L'analyse est le produit — le pick n'est que le résumé.
3. Suivez dans le temps. L'historique est public et horodaté : jugez-nous sur un vrai échantillon, pas sur une semaine de chance.

Le baseball récompense la patience et la méthode — exactement ce à quoi sert un modèle bien construit. Si vous voulez un deuxième avis transparent et calibré sur chaque match de MLB, c'est ce qu'on est là pour offrir.