Normaliser les coefficients d'un modèle de prédiction

Normaliser les coefficients consiste à les ajuster pour que leur somme vaille exactement 1, en conservant leurs proportions relatives.

Ce que ça change au calcul : presque rien

Il faut le dire d’emblée, parce que c’est contre-intuitif : la normalisation ne modifie pratiquement pas les probabilités produites.

Multiplier tous les coefficients par un même facteur multiplie les deux scores par ce facteur, donc multiplie aussi l’écart entre eux. Cet écart passe ensuite dans la fonction logistique, divisé par la sharpness — donc la probabilité change, mais de façon équivalente à un simple réglage de la sharpness.

Autrement dit : doubler tous vos coefficients revient à diviser votre sharpness par deux. Ce n’est pas rien, mais ce n’est pas une modification de votre analyse du combat — juste de votre niveau de confiance.

Ce que ça change vraiment : la lisibilité

L’intérêt de la normalisation est ailleurs. Avec des coefficients qui somment à 1, chacun devient directement lisible comme un pourcentage d’importance.

slpm       0,25   →  25 % de mon analyse repose sur le volume de frappe
win_rate   0,20   →  20 % sur le record
td_avg     0,15   →  15 % sur la lutte
...

Sans cette contrainte, un coefficient de 0,25 ne veut rien dire tout seul : il faut connaître la somme pour savoir s’il est dominant ou marginal.

Pourquoi ça compte pour comparer des modèles

C’est l’argument décisif. Si vous gérez plusieurs modèles thématiques — un « grappling », un « volume », un « physique » — et qu’ils ont des sommes de coefficients différentes, alors :

• leurs scores ne sont pas sur la même échelle ;
• pour une même sharpness, ils n’expriment pas la même confiance ;
• le modèle dont la somme est la plus élevée produira systématiquement des probabilités plus extrêmes, donc des edges plus grands — sans être pour autant plus perspicace.

En comparant les performances de vos modèles, vous conclurez que le plus « agressif » détecte plus de value. C’est un artefact d’échelle, pas une qualité d’analyse.

Normaliser élimine ce biais de comparaison. Tous vos modèles jouent alors sur le même terrain, et les différences observées viennent réellement de leurs priorités analytiques.

Comment normaliser

Divisez chaque coefficient par la somme totale :

somme = 0,20 + 0,12 + 0,12 + 0,08 + 0,08 + 0,10 + 0,05 + 0,15 + 0,10 + 0,05 = 1,05

slpm normalisé = 0,20 / 1,05 = 0,190
str_acc        = 0,12 / 1,05 = 0,114
...

Les coefficients par défaut de Sharp MMA somment à 1,05 — proches de 1 sans y être. C’est sans conséquence tant que vous n’utilisez qu’un seul modèle, et corrigeable en une opération si vous en gérez plusieurs.

Faut-il toujours normaliser ?

Oui, si vous comparez plusieurs modèles, si vous suivez leurs performances dans le temps, ou si vous voulez pouvoir relire vos propres réglages dans six mois.

Ce n’est pas indispensable si vous n’avez qu’un modèle et que vous ajustez la sharpness au feeling : dans ce cas, la somme est absorbée par ce réglage et vous obtiendrez le même résultat.

Dans le doute, normalisez. Ça ne coûte rien et ça évite une classe entière de faux raisonnements.