Le modèle de prédiction Sharp MMA

Le modèle transforme deux séries de statistiques en une probabilité de victoire. Tout le calcul tient en une ligne conceptuelle :

stats (f1, f2) → score par combattant → écart de score → probabilité

Il n’y a pas de boîte noire ici. Chaque étape est déterministe, vérifiable, et repose sur des paramètres que vous contrôlez.

Les trois étapes

1. Normalisation

Les statistiques d’un combattant sont exprimées dans des unités incomparables : des frappes par minute (typiquement entre 1 et 7), des pourcentages (de 0 à 100), des centimètres (de 165 à 215), des années. Additionner ces valeurs telles quelles n’a aucun sens — l’allonge dominerait tout.

Chaque statistique est donc ramenée sur une échelle commune, approximativement entre 0 et 1, en la divisant par une valeur de référence propre à la métrique. → La normalisation des statistiques

2. Score pondéré

Les valeurs normalisées sont multipliées par vos coefficients, puis additionnées. Le résultat est un nombre unique par combattant : son score.

Ce score n’a pas de signification absolue. Un score de 0,62 ne veut rien dire tout seul — il n’a de sens que comparé à celui de l’adversaire dans le même combat, avec les mêmes coefficients. → Le score d’un combattant

3. Probabilité

L’écart entre les deux scores est converti en probabilité par une fonction logistique, de type Bradley-Terry. Un écart nul donne 50/50 ; plus l’écart se creuse, plus la probabilité s’éloigne de l’équilibre. → La probabilité de victoire

Où vit ce calcul

Le pipeline complet est implémenté côté serveur, dans le moteur de Sharp MMA. L’interface n’implémente aucune formule : elle envoie vos coefficients, les cotes et vos éventuels ajustements, et affiche ce que le serveur renvoie.

Cette frontière est volontaire. Si la formule vivait à deux endroits, elle divergerait à la première modification, et deux utilisateurs pourraient voir deux probabilités différentes pour le même combat avec les mêmes réglages.

Les paramètres du modèle

Au-delà des dix coefficients de pondération, deux paramètres transverses influencent le résultat :

Paramètre	Rôle	Valeur par défaut
sharpness	Netteté de la conversion score → probabilité. Plus il est petit, plus le modèle est confiant pour un même écart.	0,25
boost	Ajustement manuel sur un combattant précis, appliqué en multiplicateur du score.	0

Le boost mérite une précision : contrairement aux coefficients, qui s’appliquent à tous les combats de la même façon, il traduit un a priori ponctuel — « je sais que ce combattant revient de blessure ». Il multiplie le score selon score × (1 + boost) et se règle typiquement entre −0,5 et +0,5.

C’est la soupape qui permet d’injecter une information que les statistiques ne contiennent pas, sans corrompre la logique générale du modèle.

Ce que le modèle ne fait pas

Il ne pondère pas les statistiques selon la qualité de l’opposition. Il ne tient pas compte du style d’adversaire, ni de la façon dont deux styles interagissent — un lutteur d’élite face à une défense de takedown d’élite n’est pas traité différemment d’un lutteur d’élite face à un striker pur.

Ces angles morts sont réels et connus. Ils sont la raison pour laquelle le boost existe, et pour laquelle un modèle statistique se juge sur des centaines de paris, pas sur trois.