Paso 6. GBM calibrado y pseudo-etiquetas

Entra: features por fotograma (balón visible, tiempo desde que se vio, distancia del jugador más cercano de cada equipo, velocidad media de cada equipo, forma del bloque, fase y equipo del Smart Tagging, valores en contexto temporal). Sale: probabilidades por fotograma de H, A y D, que alimentan las emisiones del paso 5 en lugar de reglas escritas a mano.

GBM (gradient boosting machine, como LightGBM o XGBoost) es un modelo que combina muchos árboles de decisión pequeños, cada uno corrigiendo los errores del anterior. Para un desarrollador: un montón de if anidados aprendidos de los datos, que funcionan bien con tablas de números. Las features colectivas (velocidad media del equipo, dispersión) sirven justo cuando no hay balón: un equipo se para cuando el juego se para, sin necesidad de ver el balón.

Calibración: que un “80 % seguro” acierte de verdad el 80 % de las veces. Sin eso, el paso 5 se fía de más.

Pseudo-etiquetas: con sólo 5 minutos etiquetados, el modelo se entrena sobre todo con los partidos externos. Después, aprendizaje semi-supervisado: se predice el partido real, se conservan sólo los tramos de alta confianza (interior de posesiones largas) como etiquetas provisionales y se reentrena con ellos para adaptar el modelo a este partido concreto. La supervisión débil del Smart Tagging (marcas automáticas imprecisas que votan por un equipo) se suma como entrada, no como respuesta.

Qué número mira: más de 0.04 de spellF1 frente al paso 5 en el banco externo, F1 de D no peor en el público, y que dos corridas limpias generen el mismo archivo.

Qué puede salir mal: entrenar con un partido y validar con fotogramas vecinos del mismo, que parecen independientes y no lo son (por eso se divide por partido o por bloque de tiempo, nunca al azar por fotograma); que las pseudo-etiquetas refuercen sesgos del propio modelo; y que la reproducibilidad se rompa si los hilos o las semillas no están fijos.