Méthodologie
Comment une probabilité Riftcast est produite, comment elle est évaluée une fois le match terminé, et ce que signifient les chiffres qui en résultent. Ceci est le complément technique de la page À propos.
1. Ce que nous faisons
Riftcast publie une probabilité pour chaque camp d'un match professionnel de League of Legends, produite par des modèles d'apprentissage automatique entraînés sur des données historiques. La probabilité est générée avant le début du match, stockée, puis évaluée face au résultat une fois la partie jouée. Une prédiction n'est jamais révisée après coup.
Une probabilité n'est pas une prévision de ce qui va arriver. C'est une affirmation sur une longue série de matchs similaires : quand nous disons qu'une équipe gagne 65 pour cent du temps, nous affirmons que sur de nombreux matchs à cette évaluation, environ 65 sur 100 sont gagnés. Une équipe évaluée à 65 pour cent qui perd n'est pas une prédiction ratée. Une équipe évaluée à 65 pour cent qui ne gagne que la moitié du temps sur un large échantillon, si.
Nous ne vendons pas de vainqueurs annoncés. Nous publions des probabilités calibrées et notre propre bilan, y compris les marchés où ce bilan est négatif.
2. Les modèles
Quatre modèles tournent sur chaque match. Ils sont entraînés indépendamment sur les mêmes données et se contredisent souvent, ce qui est voulu : l'écart entre eux est en soi une information sur le degré de certitude réel d'une confrontation.
FastTree
Un arbre de décision à gradient boosté, et la référence à laquelle tous les autres modèles sont comparés. Il s'entraîne vite, reste stable d'un réentraînement à l'autre et gère bien le cas ordinaire : deux équipes connues dans une ligue établie avec un historique récent abondant. C'est le modèle de l'offre gratuite, et celui qui se dégrade le plus élégamment quand une équipe manque de données.
LightGBM
Une implémentation du gradient boosting par feuilles. Elle s'adapte plus vite que FastTree quand le jeu sous-jacent évolue, ce qui en fait le modèle le plus solide lors des changements de patch et des événements internationaux, où des équipes de régions différentes se rencontrent pour la première fois et où la forme régionale est un mauvais guide.
PCA Sweep
Un pipeline en composantes principales dont les hyperparamètres sont sélectionnés par un vaste balayage hors ligne, avec réduction de dimension appliquée avant le classifieur. Comprimer des statistiques d'équipe corrélées en moins de composantes réduit le surapprentissage sur les nombreuses caractéristiques quasi identiques que contient un profil d'équipe, et c'est généralement le plus précis des trois modèles de base.
Consensus
Non pas un quatrième modèle mais un mélange pondéré des trois précédents, pondéré par la perte logarithmique récente de chacun, de sorte qu'un modèle en mauvaise passe contribue moins. Consensus est le chiffre isolé le plus fiable du site, et aussi le plus prudent : il produit rarement les probabilités extrêmes que les modèles individuels génèrent parfois.
Chaque modèle existe en deux variantes. La variante de base prédit à partir de la forme de l'équipe et des joueurs avant le début de la partie. La variante tenant compte du draft réévalue la même partie une fois les dix champions verrouillés, en ajoutant les taux de victoire des champions, les synergies au sein d'une composition et les contres de confrontation par-dessus la forme d'équipe. Elle n'est disponible qu'une fois la sélection des champions terminée, ce qui explique qu'une prédiction puisse changer peu avant le début d'une partie.
3. Données d'entraînement
- 15,622 parties individuelles indexées
- 450 équipes suivies
- 230 tournois couverts
- 35,844 prédictions évaluées et archivées
Deux sources alimentent le système. Les calendriers, l'état des parties en direct et la sélection des champions proviennent de l'API officielle LoL Esports sur lolesports.com. Les statistiques des matchs terminés, sur lesquelles chaque modèle est entraîné et face auxquelles chaque prédiction est évaluée, proviennent de la collecte sur gol.gg. Lorsque les deux divergent sur un résultat, gol.gg fait foi et le flux en direct est écarté.
Les modèles voient la forme d'équipe sur des fenêtres récentes glissantes, une évaluation de force de type Elo ajustée au niveau régional et aux résultats interrégionaux, les taux de victoire par côté, les statistiques d'objectifs et d'or, la forme individuelle de l'effectif actuel et, dans la variante tenant compte du draft, les champions réellement choisis. Les caractéristiques sont calculées symétriquement pour les deux camps, afin que le modèle ne puisse rien apprendre de l'ordre dans lequel les équipes sont listées.
Tous les modèles se réentraînent quotidiennement à 00h10 UTC sur l'ensemble de l'historique disponible à cet instant, et les prédictions des matchs à venir sont régénérées une fois l'entraînement terminé. Un fichier de modèle n'est jamais modifié entre deux réentraînements.
Aucun tournoi n'est exclu de l'entraînement. Des versions antérieures du pipeline mettaient de côté certains événements mineurs et internationaux ; cela a été abandonné en 2026 parce que les événements exclus étaient précisément ceux où les modèles avaient le plus besoin de données.
4. Comment la précision est suivie
Les prédictions faites avant le début d'un match restent archivées de façon permanente et servent à calculer ces chiffres. Il n'existe aucun mécanisme permettant de supprimer, réviser ou renoter rétroactivement une prédiction publiée.
Une prédiction n'est évaluée qu'une fois le match présent dans les données de résultats collectées. L'état d'une partie en direct ne sert jamais à régler une prédiction, car il est fourni au mieux et parfois erroné ; un match dont le vainqueur ne peut pas encore être établi à partir des données collectées reste non évalué plutôt que résolu par déduction. C'est plus lent que de lire le flux en direct, et c'est la raison pour laquelle le bilan publié peut accuser quelques heures de retard sur un résultat.
L'évaluation se fait par mise à l'écart temporelle : un modèle n'est jamais mesuré que sur des matchs qui n'avaient pas encore eu lieu au moment de son entraînement, seul test honnête pour un système réentraîné chaque jour. Chaque prédiction évaluée entre dans les chiffres ci-dessous. Il n'y a aucune étape éditoriale où une mauvaise semaine serait écartée, et aucun marché n'est masqué pour cause de mauvaise performance.
Ce que nous publions
- Taux de réussite
- La part de sélections correctes, toujours affichée avec le nombre de sélections qui la sous-tend. Prise isolément, c'est une mesure faible : un modèle qui ne désigne que de gros favoris peut afficher un taux de réussite élevé sans rien apporter de plus que de suivre le marché.
- Score de Brier
- L'écart quadratique moyen entre la probabilité annoncée et ce qui s'est produit. Plus bas est meilleur. Dire 50 pour cent partout donne 0,25 : tout chiffre supérieur à 0,25 signifie donc que la confiance attachée aux sélections était pire qu'inutile. C'est la mesure qui démasque un modèle qui se trompe avec assurance, ce que le taux de réussite seul ne fait pas.
- Perte logarithmique
- Une seconde règle de notation sur les mêmes prédictions, qui pénalise les erreurs confiantes bien plus durement que Brier. C'est elle qui détermine, dans le mélange Consensus, le poids que chaque modèle mérite actuellement.
- Retour sur investissement
- Ce qu'aurait rapporté une mise fixe d'une unité sur chaque sélection qualifiée, valorisée aux cotes de marché disponibles avant le match. Une sélection correcte rapporte la cote moins un ; une sélection incorrecte perd une unité. Le retour est le net divisé par le nombre de sélections. C'est la seule mesure ici qui tienne compte du prix, et celle où un modèle peut être précis tout en n'étant pas rentable.
5. Calibration
Un modèle est calibré quand la confiance qu'il annonce correspond à la réalité sur un large échantillon : de tous les matchs qu'il a évalués à 60 pour cent, près de 60 pour cent auraient dû être gagnés. Un modèle peut être précis et mal calibré en même temps, en choisissant le bon camp tout en en étant bien trop sûr.
La sortie brute d'un modèle n'est pas bien calibrée en soi, aussi une couche de calibration est-elle appliquée au moment de l'affichage, ajustée uniquement sur des prédictions passées déjà évaluées et jamais sur le match en cours de prédiction. Parce qu'elle s'applique à la lecture de la page plutôt que d'être figée dans la prédiction stockée, l'historique reste exactement tel qu'il a été publié pendant que la calibration sous-jacente continue de s'améliorer.
La calibration est mutualisée par ligue, de sorte qu'une ligue comptant peu de matchs évalués emprunte à l'échantillon plus large au lieu de se fier à une poignée de résultats. C'est aussi pourquoi les ligues sous un échantillon minimal sont marquées comme peu fiables et laissées hors des chiffres principaux : non pas parce que leurs résultats sont mauvais, mais parce qu'ils ne sont pas encore assez nombreux pour signifier quoi que ce soit.
6. Sélections de valeur
Une sélection de valeur est un cas où notre probabilité dépasse la probabilité implicite du marché pour le même résultat. C'est un désaccord avec le prix du marché, pas la prédiction d'un résultat certain.
espérance = (probabilité du modèle x cote de marché) - 1
Lorsque ce chiffre dépasse zéro, le marché propose un prix que nous jugeons trop généreux, et la sélection est enregistrée. Chaque sélection enregistrée est conservée avec sa probabilité, son prix et l'horodatage de sa publication, puis évaluée comme n'importe quelle autre prédiction. Les sélections dans des ligues signalées peu fiables sont suivies mais exclues des retours publiés, car un pourcentage sur une poignée de résultats n'est que du bruit.
Un marché doit compter au moins 50 sélections évaluées avant de pouvoir mettre quoi que ce soit en avant. En deçà de ce seuil, les chiffres restent publiés dans le tableau complet, avec leurs tailles d'échantillon, mais ne sont pas traités comme un résultat.
Actuellement, le marché le plus solide au bilan est PCA Sweep sur Vainqueur de série : +10.1 pour cent de retour sur 130 sélections évaluées. Ce chiffre est dérivé, non choisi, et il évolue au fil des résultats.
7. Questions fréquentes
Pouvez-vous prédire des parties individuelles au sein d'une série ?
Oui, et elles sont évaluées séparément. Les prédictions au niveau de la partie et au niveau de la série sont des marchés distincts, avec des dénominateurs distincts, et ne sont jamais fondues en un seul chiffre : un best-of-five contient plusieurs parties, et les moyenner ensemble pondérerait silencieusement les longues séries plus que les courtes.
Utilisez-vous des informations privées ou d'initiés ?
Non. Tout ce que voient les modèles est public : résultats publiés, calendriers officiels et sélection des champions telle qu'elle est diffusée. Il n'y a ni réseau d'observateurs, ni information privée sur les effectifs, ni contact avec les équipes ou les joueurs.
Comment gérez-vous un nouveau patch ?
Les modèles se réentraînent quotidiennement : un patch s'intègre donc à mesure que des matchs y sont joués, et non par un ajustement manuel. Les premiers jours d'un patch majeur constituent ainsi la période la moins fiable du site, et les variantes tenant compte du draft récupèrent le plus vite, car les statistiques par champion évoluent avant celles par équipe. Nous ne réglons pas les modèles à la main autour d'un patch, car cela rendrait la précision publiée non reproductible.
Comment sont traités les égalités et les parties non jouées ?
Une prédiction portant sur une partie jamais jouée est annulée plutôt que comptée comme un échec, et les sélections annulées sont retirées de tous les chiffres. Lorsqu'un marché peut être remboursé, par exemple un total tombant exactement sur la ligne, la sélection est annulée et la mise rendue. Les séries apparaissant dans la collecte avec un score incomplet restent non évaluées jusqu'à l'arrivée des parties manquantes.
Pourquoi ne pas utiliser simplement le meilleur modèle ?
Parce que lequel est le meilleur change, et ne se sait qu'après coup. Chacun des trois a dominé sur des marchés et à des périodes différentes, et le classement se déplace d'un patch à l'autre comme entre jeu régional et international. Les mélanger selon la perte logarithmique récente donne un chiffre plus stable que n'importe quel modèle isolé, au prix de n'être presque jamais le tout meilleur sur un marché donné.
Les prédictions sont générées par des modèles d'apprentissage automatique et ne garantissent aucun résultat. Les chiffres de cette page décrivent des prédictions passées déjà évaluées et ne constituent pas une prévision de résultats futurs. À titre informatif uniquement ; ne constitue pas un conseil financier.