Zum Inhalt
SPORTWETTENFUN
SPORTWETTEN. ANALYSEN. WISSEN.Unsere Quellen & Daten

Daten & Statistiken

Brier und Log-Loss können verschiedene Prognosen vorne sehen

Inhaltlich überarbeitet: 22.11.2026

Zwei Auswertungen prüfen dieselben zehn Wahrscheinlichkeitsprognosen. Nach dem Brier-Wert gewinnt Liste B, nach Log-Loss gewinnt Liste A. Das kann ohne Rechenfehler passieren: Beide Fehlermaße bewerten die Zahlen unterschiedlich. Unser eigenes Beispiel zeigt genau, welcher einzelne Fall den Unterschied macht.

Erst die Wahrscheinlichkeit, dann das Ergebnis

Wir betrachten nur eine vorher eindeutig festgelegte Ja-Nein-Bedingung. p ist die vorhergesagte Wahrscheinlichkeit für Ja: 0,60 bedeutet 60 Prozent. Das spätere Ergebnis y ist 1 für eingetreten und 0 für ausgeblieben. Die folgenden Listen und Ergebnisse sind vollständig erfundene Lehrdaten, keine beobachteten Spiele oder tatsächlich getesteten Prognosemodelle.

Alle zehn Fälle zählen gleich viel. A nennt bei den später eingetretenen Fällen 0,60 und bei den ausgebliebenen 0,40. B nennt in den ersten neun Fällen 0,90 beziehungsweise 0,10. Nur in Fall 10 sagt B 0,99 für Ja voraus, obwohl das Ereignis dort ausbleibt. Diese Anordnung ist zum Nachrechnen konstruiert; sie belegt keine Fähigkeit, künftige Ergebnisse zu kennen.

Eigene Lehrdaten – Ergebnis 1 bedeutet Ja, Ergebnis 0 Nein
Fall Ergebnis y Liste A: p Liste B: p
1 1 0,60 0,90
2 0 0,40 0,10
3 1 0,60 0,90
4 0 0,40 0,10
5 1 0,60 0,90
6 0 0,40 0,10
7 1 0,60 0,90
8 0 0,40 0,10
9 1 0,60 0,90
10 0 0,40 0,99

So liest du die Tabelle: In Fall 2 bleibt die Bedingung aus. A hatte dafür 60 Prozent angesetzt, denn ihre Ja-Wahrscheinlichkeit war 40 Prozent. In Fall 10 hatte B für das tatsächlich eintretende Nein nur 1 Prozent übrig: 1 − 0,99 = 0,01.

Beim Brier-Wert liegt B vorne

Der binäre Brier-Wert ist der mittlere quadrierte Abstand zwischen p und y: (p − y)². Wir verwenden die Skala von 0 bis 1; kleiner bedeutet weniger Fehler. Die Einführung zum Brier-Wert erklärt diesen Abstand ausführlicher.

A hat in jedem Fall einen Abstand von 0,40 und damit einen Fehler von 0,16. Ihr Durchschnitt bleibt 0,16. B hat neunmal den Fehler 0,01. Dazu kommt in Fall 10 der Fehler 0,99² = 0,9801. Zusammen ergibt das (9 × 0,01 + 0,9801) ÷ 10 = 0,10701. Nach dieser Rechnung gewinnt B.

Log-Loss bestraft die falsche Sicherheit anders

Für Log-Loss brauchst du die Wahrscheinlichkeit, die eine Liste dem tatsächlich eingetretenen Ausgang gegeben hatte. Nennen wir sie q. Bei Ja ist q gleich p, bei Nein gleich 1 − p. Der Fehler pro Fall lautet −ln(q). ln ist der natürliche Logarithmus; die folgenden Werte lassen sich mit der ln-Taste eines wissenschaftlichen Rechners prüfen.

Bei A ist q zehnmal 0,60. Ihr mittlerer Log-Loss beträgt daher −ln(0,60) = rund 0,510826. Bei B ist q neunmal 0,90 und einmal 0,01: [9 × (−ln(0,90)) + (−ln(0,01))] ÷ 10 = rund 0,555341. Jetzt liegt A vorne, weil kleiner auch hier weniger Fehler bedeutet.

Dieselben zehn Fälle, gleiche Gewichtung – jeweils kleiner ist besser
Liste Brier-Wert Log-Loss
A 0,16000 0,510826
B 0,10701 0,555341

Vergleiche die Listen innerhalb einer Spalte. Die Zahlen aus verschiedenen Spalten sind keine gemeinsame Skala. Im zehnten Fall allein stehen bei B 0,9801 Brier-Fehler und rund 4,605170 Log-Loss. Wenn q gegen null geht, wächst −ln(q) ohne feste obere Grenze; der einzelne binäre Brier-Fehler bleibt höchstens 1.

Was du vor einem Modellvergleich festlegen solltest

Das extreme Beispiel bedeutet nicht, dass B immer verlieren muss. Ändern wir ausschließlich Bs Ja-Prognose in Fall 10 von 0,99 auf 0,90, sinken Bs Durchschnittswerte auf 0,09 und rund 0,325083. Dann gewinnt B nach beiden Maßen. Das ist eine weitere bedingte Rechnung, keine nachträgliche Verbesserung eines echten Modells.

Lege Ereignisse, Ergebnisdefinition, Fallgewichtung und das maßgebliche Fehlermaß vor der Auswertung fest. Wähle nicht hinterher die Spalte, in der deine bevorzugte Liste gewinnt. Beide Maße werden zur Prüfung von Wahrscheinlichkeitsprognosen verwendet; eine andere Rangfolge macht keines automatisch falsch. Zehn konstruierte Fälle belegen weder reale Kalibrierung noch zukünftige Qualität. Ohne Quoten, Kosten und Einsätze folgt daraus auch kein Wettgewinn.

Quellen und Stand: Am 22. November 2026 gelesen: scikit-learn zur binären Brier-Rechnung, zur Log-Loss-Formel mit natürlichem Logarithmus und zur Trennung von Prognosefehler und Kalibrierung. Tabelle, Rangwechsel und Rechnungen sind eigene fiktive Beispiele, keine neuen Forschungsergebnisse.

Artikel teilen

Wissen weitergeben. Gemeinsam mehr verstehen.

Artikellink anzeigen
Öffnet in einem neuen Tab.