Makine Öğrenimi ile Bahis Modelleri

Makine Ogrenimi Nedir?

Makine ogrenimi (Machine Learning / ML), bilgisayarlarin acikca programlanmadan verilerden ogrenmesini saglayan yapay zekanin bir alt dalidir. Bahis baglaminda bu, binlerce gecmis mac verisinden oruntuleri tanimlayarak gelecekteki mac sonuclarini tahmin etmek anlamina gelir.

Geleneksel programlamada kurallar insanlar tarafindan yazilir: "Ev sahibi son 5 macini kazandiysa ve xG'si 2.0 uzerindeyse favoridir." ML'de ise algoritma bu kurallari kendi basina kesfeder. Veriye bakarak hangi degiskenlerin sonucu en cok etkiledigini ogrenir.

Bu rehberde bahis tahminlerinde kullanilan temel ML kavramlarini, model turlerini ve pratik uygulama adimlarini inceliyoruz. Amac akademik derinlik degil, uygulanabilir bilgidir.

Bahis Icin ML Model Turleri

Bahis tahminlerinde en yaygin kullanilan ML modelleri sunlardir:

Siniflandirma Modelleri

• Lojistik Regresyon: En basit ve yorumlanabilir model. Mac sonucunu (Ev/Beraberlik/Deplasman) kategorik olarak tahmin eder. Baslangic icin idealdir.
• Random Forest: Birden fazla karar agacinin oylamasi ile tahmin yapar. Overfitting'e direnclidir ve feature importance bilgisi verir.
• XGBoost/LightGBM: Gradient boosting algoritmasi. Yarismalarda en sik kazanan model tipidir. Hiz ve performans dengesi iyidir.
• Sinir Aglari: Karmasik non-linear iliskileri yakalayabilir. Cok fazla veriye ihtiyac duyar; kucuk veri setlerinde overfitting riski yuksektir.

Regresyon Modelleri

• Poisson Regresyon: Gol sayisi tahmini icin ozel olarak tasarlanmistir. Over/Under ve skor tahmini icin en uygun modeldir.
• Linear Regresyon: Surekli degiskenleri (ornegin toplam gol sayisi) tahmin eder. Basit ama etkilidir.

Veri Hazirlama Sureci

ML modellerinde basarinin %80'i veri hazirlama asamasinda belirlenir. Adimlar:

1. Veri toplama: API'ler (StatsBomb, FBref) veya web scraping ile mac, takim ve oyuncu verileri toplanir
2. Veri temizleme: Eksik degerler, hatali girisler ve tutarsizliklar duzeltilir
3. Feature olusturma: Ham verilerden anlamli ozellikler turetilir (son 5 mac xG ortalamasi gibi)
4. Normalizasyon: Farkli olceklerdeki degiskenler ayni araliga getirilir
5. Train/Test bolumu: Verinin %70-80'i egitim, %20-30'u test icin ayrilir (kronolojik siralama onemli)

Kritik hata: Gelecek bilgisini modele sizdirmak (data leakage). Ornegin mac sonucunu tahmin ederken macin gol istatistiklerini feature olarak kullanmak. Bu model calistigi zaman o bilgi mevcut degildir.

Feature Engineering: Bahis Icin Ozellik Cikarimi

Bahis modellerinde etkili oldugu kanitlanmis feature ornekleri:

Feature Kategorisi	Ornekler	Onem Derecesi
Form metrikleri	Son 5 mac xG ortalamasi, son 5 mac puan ortalamasi	Cok yuksek
Ev/deplasman farki	Ic saha gol ortalamasi, deplasman mglup yuzdesi	Yuksek
Kafa kafaya	Son 5 karsilasma sonuclari, gol ortalamasi	Orta
Kadro durumu	Sakat oyuncu piyasa degeri, rotasyon sayisi	Yuksek
Oran verileri	Acilis orani, oran hareketi yonu ve buyuklugu	Cok yuksek
Takvim etkisi	Son mac arasi gun sayisi, hafta ici/sonu	Orta

Feature engineering yaratici bir surecdir. En iyi modeller genellikle domain bilgisini (bahis uzmanligi) teknik ML bilgisiyle birlestiren kisilerce gelistirilir.

Model Egitimi ve Test

Model egitim sureci:

1. Cross-validation: Veriyi parcalara bolup her parcayi sirayla test seti olarak kullanma. K-fold yerine bahiste time-series split tercih edilmeli.
2. Hyperparameter tuning: Modelin ayarlarini optimize etme. Grid search veya Bayesian optimization kullanilir.
3. Walk-forward validation: Kronolojik siralama ile egit/test. Ornegin: Agustos-Aralik egitim, Ocak test; Agustos-Ocak egitim, Subat test.
4. Ensemble: Birden fazla modelin tahminlerini birlestirme. Ortalama alma veya agirlikli oylama yontemleri kullanilir.

Walk-forward validation bahis modelleri icin en guvenilir test yontemidir cunku gercek kullanim senaryosunu simule eder.

Performans Metrikleri

Bir bahis ML modelinin basarisini olcen temel metrikler:

• Accuracy: Toplam dogru tahmin yuzdesi. Basit ama yaniltici olabilir (siniflarin dengesiz oldugu durumlarda).
• Log Loss: Olasilik tahminlerinin kalitesini olcer. Dusuk log loss, daha kalibre edilmis tahminler anlamina gelir.
• Brier Score: Olasilik tahminlerinin dogrulugunun bir diger olcusu. 0'a yakin olmasi iyidir.
• ROI (Return on Investment): Modelin bahis stratejisine uygulandiginda sagladdigi getiri. En onemli pratik metriktir.
• Yield: Toplam karlilik yuzdesi. %3-5 uzerinde yield uzun vadede cok iyi sayilir.

Pratik Uygulama Adimlari

ML bahis modelini pratikte kurmak icin takip edilecek yol haritasi:

1. Hafta 1-2: Python ve Pandas ogren. Temel veri manipulasyonu becerileri kazan.
2. Hafta 3-4: Veri kaynaklari ile calismaya basla. FBref veya StatsBomb'dan veri cek.
3. Hafta 5-6: Feature engineering yap. Son N mac ortalamasi, form metrikleri gibi ozellikler olustur.
4. Hafta 7-8: Ilk modelini kur. Lojistik regresyon ile basla, sonra Random Forest dene.
5. Hafta 9-10: Backtesting yap. Walk-forward validation ile performansi olc.
6. Hafta 11-12: Paper trading baslat. Gercek para yatirmadan model tahminlerini takip et.

Sabir kritiktir. Minimum 3 ay paper trading sonrasi gercek parayla bahis yapmaya baslanmalidir. Sultanbet uzerinden dusuk miktarlarla baslamak mantikli bir stratejidir.