'AI Algoritması' mı, Poisson mu? Futbol Tahmin Modelleri Neden Yöntemini Açıklamalı

Eylül 2026 güncellemesi: Top-5 Avrupa liginde model artık beklenen gol (xG) ve gollerden çıkarılan takım reytingini kullanıyor; Dixon-Coles düzeltmesi orada da uygulanıyor (10 sezonluk testle seçilen ρ = −0,13). Süper Lig'de aynı reyting yöntemi gerçek gollerle çalışıyor. Şampiyonlar Ligi'nde ligler arası Elo kullanılıyor; bu yazıda anlatılan %30 ortalamaya çekme adımı yalnız onun yedeği olan eski form modelinde geçerli. Ayrıntı: metodoloji.

"Doğru tahmin oranı %82" gibi tek bir rakam, doğru metrik (Brier), doğru baseline ve silinmemiş bir arşiv olmadan yanıltıcı olabilir. Bu yazı rakama bile gelmeden, bir adım geriye gidiyor. "Gelişmiş yapay zeka algoritmamız bu tahmini üretti" cümlesini düşünün. Kulağa etkileyici gelir ve itiraz etmesi zor görünür — çünkü itiraz edilecek hiçbir somut şey söylemez. Hangi model ailesi? Hangi veriyle çalışıyor? Nasıl sınandı? "AI" kelimesi burada bir cevap değil, cevaptan kaçmanın yoludur. Asıl mesele şu: yöntemini açıklamayan bir futbol tahmin algoritması, arkasındaki metrik doğru olsa bile denetlenemez — çünkü denetleyecek hiçbir dayanak bırakmaz.

"Yapay Zeka Destekli Algoritma" Aslında Ne Söylüyor?

"AI destekli futbol tahmin algoritması" ifadesi TR tahmin pazarında sık karşınıza çıkar. Ama bu bir teknik açıklama değil, bir pazarlama etiketidir. "Yapay zeka" kategorisi inanılmaz geniştir: basit bir doğrusal regresyon da bu şemsiyenin altına girer, milyonlarca parametreli bir derin öğrenme ağı da. İkisinin veriyle ilişkisi, hata payı ve denetlenebilirliği birbirinden tamamen farklıdır. Sadece "AI" demek, bir doktorun sadece "ilaç verdim" demesi gibidir — parasetamol mü, başka bir tedavi mi, hangi dozda, hangi rahatsızlık için, hiçbiri belli değildir.

Pratik sonucu şu: "AI algoritması" diyen bir kaynağa "bu model hangi istatistiksel aileden, parametreleri neler, nasıl kalibre edildi?" diye sorduğunuzda çoğu zaman cevap gelmez. Cevap yoksa iddia denetlenemez; geriye sadece güvenmeniz beklenen bir cümle kalır.

Adı Olan Yöntem: Poisson Dağılımı

+90 Futbol'un çekirdek olasılık motoru Poisson dağılımıdır — nadir/sayılabilir olayları (bir maçta atılan gol sayısı tam olarak bu tanıma girer) modellemek için on dokuzuncu yüzyıldan beri istatistik literatüründe kullanılan, ders kitaplarında anlatılan bir yöntem. Futbolda Poisson tabanlı gol modelleri onlarca yıldır akademik yazında test edilir; bu bizim icat ettiğimiz kapalı bir kara kutu değil, üzerinde çalışılmış, eleştirilmiş, geliştirilmiş bir yöntem ailesi.

Temel mantık basit: her takımın saldırı ve savunma gücü geçmiş maçlarından tahmin edilir, bu güçler birleştirilerek bir maçın olası skorları için bir olasılık dağılımı üretilir. +90'da bu hesap son 12 maçın üstel ağırlıklandırmasıyla yapılıyor — yeni maçlar daha güçlü sinyal taşıyor. Bu detayın tamamı /methodology sayfasında satır satır yazıyor. "Poisson futbol tahmin" yöntemini kara kutu "AI" iddiasından ayıran şey tam olarak bu: adı var, literatürü var, iddia edildiğinde açılıp kontrol edilebilecek bir formülü var.

Dixon-Coles Düzeltmesi: ρ (rho) Neyi Onarıyor?

Saf Poisson'un bilinen bir zayıflığı var: düşük skorlu sonuçların gerçek hayattaki sıklığını hafife alıyor. Sebebi, iki takımın gol atma olasılığını birbirinden tamamen bağımsız varsaymasıdır — oysa gerçek maçlarda, özellikle düşük skorlu ve temkinli oynanan karşılaşmalarda, iki takımın skoru arasında hafif bir korelasyon vardır.

Bu zayıflığı akademik literatürde adı konmuş bir düzeltme yöntemi olan Dixon-Coles düzeltmesi giderir: düşük skorlu hücrelere uygulanan, ρ (rho) adında tek bir korelasyon parametresiyle. +90'da bu parametre lig bazında kalibre edilir ve yaklaşık −0.20 civarında bir değer alır. Bu sayı sizin de sorgulayabileceğiniz somut bir iddiadır — "kara kutu" bir "AI" modelinde bu türden isimlendirilmiş, işaretiyle ve büyüklüğüyle paylaşılan bir düzeltme parametresi genelde ya yoktur ya da vardır ama hiç söylenmez.

Shrinkage: Küçük Örneklemde Özgüveni Frenlemek

Sezonun ilk haftalarında bir takım 3 maçta çok sayıda gol attıysa, o takımı ham veriyle "inanılmaz güçlü saldırı hattı" diye kodlamak cazip gelir. Ama 3 maçlık bir örneklem istatistiksel olarak neredeyse hiçbir şey kanıtlamaz — şans payı çok yüksektir.

Bunu düzeltmenin adı shrinkage (büzülme/regularizasyon): takım kuvvet tahminlerini belli bir oranda lig ortalamasına doğru çekersiniz, böylece küçük örneklemin ürettiği aşırı özgüvenli tahminler yumuşar. +90'da bu oran %30 — ham tahminin bir kısmı bilinçli olarak lig ortalamasına doğru bastırılıyor. Bu, istatistikte modelin kendi az sayıdaki verisine aşırı uyum sağlamasını (overfitting) önlemenin standart yollarından biri. Söylenmeden bırakıldığında, okuyucu modelin erken sezon gürültüsüne ne kadar kanaatkâr davrandığını hiçbir zaman bilemez.

Half-Life: "Form" Kelimesinin Arkasındaki Sayı

"Form durumunu da hesaba katıyoruz" cümlesi tek başına boştur. Son kaç maç? Hepsi eşit mi ağırlıklandırılıyor, yoksa son maç daha mı belirleyici? Ne kadar daha belirleyici?

+90'ın modelinde bu sorunun cevabı bir sayıya bağlıdır: half-life (yarı ömür) parametresi, eski maçların ağırlığının ne hızla azaldığını belirler ve diğer parametreler (ρ, shrinkage, ev sahibi avantajı) gibi lig bazında holdout doğrulamalı bir grid search ile kalibre edilir. "Formu hesaba katıyoruz" demekle "formun ağırlığı şu decay fonksiyonuyla, şu parametreyle azalıyor" demek aynı şey değil. İkincisi denetlenebilir; birincisi sadece bir slogandır.

Holdout Doğrulama: Model Kendi Sınavını Kendi Yazmıyor

Buraya kadarki parametrelerin (ρ, shrinkage, half-life, ev sahibi avantajı) bir şekilde seçilmesi gerekiyor. Sorun şu: bu parametreleri geçmiş sezonun tamamına en iyi uyacak şekilde seçerseniz, modelin geçmişi ne kadar iyi "anladığını" değil, geçmişe ne kadar iyi "ezberlediğini" ölçmüş olursunuz. Böyle bir model, daha önce hiç görmediği yeni maçlarda bambaşka — ve genelde daha kötü — bir performans sergiler.

Bunu önlemenin standart yöntemi holdout doğrulama: veri seti ikiye bölünür — sezonun ilk %70'i parametre seçimi için (train), kalan %30'u ise o parametrelerin daha önce hiç görmediği maçlarda nasıl performans gösterdiğini ölçmek için (test) kullanılır. Parametreler, test setindeki Brier skorunu minimize edecek şekilde seçilir — train setinde değil. Train ve test Brier'ları birbirine yakınsa model ezberlememiş demektir; aralarında büyük fark varsa bu aşırı uyumun (overfitting) işaretidir.

Bu adım, Brier skorunun neden güvenilir bir metrik olduğunun da temelidir. Holdout doğrulaması olmayan bir Brier skoru, modelin kendi ödevini kendi notlandırmasından pek farklı değildir.

Biz de Aynı Standarda Tabiyiz

Bu yazının kendi iddiasını kendi üstünde sınamayan bir metin olmasını istemiyoruz. O yüzden nerede eksik olduğumuzu da söylüyoruz: beklenen gol (xG) verisini temel girdi olarak kullanmıyoruz — kapsamı kısıtlı çünkü erişebildiğimiz tek kaynak (Understat) yalnızca top-5 Avrupa ligini kapsıyor, Süper Lig'de hiç yok. Erişebildiğimiz yerde de xG'ye küçük bir rol veriyoruz: son 5 maçlık xG ortalaması, gol beklentisini en fazla ±%10 "nudge" ediyor — modelin omurgası değil, ince ayarı. Kadro/dizilim verisi de yok; sakatlık ve motivasyon sinyalleri metinden yakalanıyor ama henüz saldırı/savunma katsayısına dönüşmüyor. Kalibrasyon şu an yalnızca Premier League, La Liga ve Serie A için tamamlandı; Bundesliga ve Ligue 1 veri sağlayıcı sorunu yüzünden bekliyor. Bunların hepsi /methodology sayfasında açıkça yazıyor — gizlemiyoruz, çünkü gizlemek bu yazının eleştirdiği şeyin ta kendisi olurdu.

Gerçekten yapay zeka kullandığımız bir yer de var: maç bağlamını (sakatlık haberleri, motivasyon, basın açıklamaları) toplamak için +90 AI'ı gerçek zamanlı web araması ile kullanıyoruz — yalnızca Pro üyelikte. Ama bu, sayısal olasılığı üreten çekirdek değil; çekirdek hâlâ Poisson + Dixon-Coles. Nerede yapay zeka kullandığımızı, ne için kullandığımızı ve neyi kullanmadığımızı açıkça söylüyoruz. Fark tam olarak bu: "AI kullanıyoruz" demek değil, nerede ve ne için kullandığını söylemek.

Model performansını da aynı şeffaflıkla paylaşıyoruz: haftalık Brier ve kalibrasyon raporu /kalibrasyon sayfasında, geçmiş sezon sonuçları /backtest sayfasında güncel tutuluyor. Sayılar silinmiyor; yanıldığımız haftalar da arşivde kalıyor.

Okuyucuya Açık Soru

Bir sonraki "yapay zeka destekli tahmin algoritması" iddiasını gördüğünüzde şu üç soruyu sorun:

1. Yöntemin bir adı var mı — Poisson mu, regresyon mu, ağaç tabanlı bir model mi, yoksa sadece "AI" mi?
2. Parametreleri (form ağırlığı, düşük skor düzeltmesi, kalibrasyon oranı) paylaşılıyor mu, yoksa hepsi "gizli algoritma" perdesinin arkasında mı?
3. Model kendi geçmiş verisine mi uyduruldu, yoksa hiç görmediği (holdout) bir veride mi sınandı?

Üçüne de cevap bulamıyorsanız, karşınızdaki şey bir tahmin yöntemi değil, bir güven vaadidir — ve güven vaadi denetlenemez.

Yöntemimizin tamamını /methodology sayfasında okuyabilirsiniz — parametre isimleri, sayıları ve itiraf edilen sınırlamalarıyla.

Sıkça Sorulan Sorular

"AI algoritması" ile istatistiksel model arasındaki fark nedir?

"AI algoritması" bir kategoridir, yöntem değildir — basit bir regresyondan karmaşık bir sinir ağına kadar her şeyi kapsayabilir ve tek başına hangisi olduğunu söylemez. Poisson veya Dixon-Coles gibi adı konmuş bir istatistiksel yöntemde ise formül, parametreler ve literatür bellidir; iddia dışarıdan denetlenebilir.

Dixon-Coles düzeltmesi (ρ) ne işe yarar?

Saf Poisson dağılımı, düşük skorlu sonuçların gerçek sıklığını hafife alır çünkü iki takımın gol atmasını birbirinden bağımsız varsayar. Dixon-Coles düzeltmesi, ρ adlı tek bir parametreyle düşük skorlu hücrelere korelasyon ekleyerek tahminleri gerçek dağılıma yaklaştırır.

Shrinkage (küçük örneklem düzeltmesi) nedir?

Sezon başında birkaç maçlık veriyle bir takımı olduğundan güçlü ya da zayıf değerlendirme riskine karşı, takım kuvvet tahminleri belli bir oranda lig ortalamasına doğru çekilir. Bu, istatistikte modelin az sayıda veriye aşırı uyum sağlamasını (overfitting) önlemenin standart yollarından biridir.

Holdout doğrulama neden şarttır?

Bir modelin parametreleri geçmiş verinin tamamına göre seçilirse, model geçmişi ezberlemiş olabilir ve yeni maçlarda kötü performans gösterebilir. Holdout doğrulama, veriyi eğitim (train) ve test setine ayırıp parametreleri yalnızca eğitim setinde seçip performansı hiç görülmemiş test setinde ölçerek bu riski azaltır.

+90 Futbol'un modelinde nerede yapay zeka kullanılıyor?

Sayısal olasılıkları üreten çekirdek bir Poisson gol modelidir (top-5 ligde xG tabanlı takım reytingiyle, xG verisi olmayan liglerde Dixon-Coles düzeltmesiyle); bir yapay zeka modeli değildir. Yapay zeka — +90 AI, gerçek zamanlı web araması ile — yalnızca maç bağlamını, yani sakatlık, motivasyon ve basın haberleri gibi metinsel sinyalleri toplamak için ve yalnızca Pro üyelikte kullanılır. Bu kapsam /methodology sayfasında açıkça belirtilir.