Bayesian vs neurale netwerken voor loterij-predictie: wat werkt echt?

Twee modelfamilies domineren elke serieuze poging tot loterij-"voorspelling": Bayesiaanse methoden (priors + posteriors, transparante onzekerheid) en neurale netwerken (deep nets, transformers, LSTMs). YouTube staat vol met demo's van beide. De meeste verwarren "past op trainingsdata" met "voorspelt de volgende trekking." Hier is de eerlijke engineering-view.

1. Wat kan "voorspelling" bij een loterij betekenen?

Een eerlijk loterijmodel kan maar twee dingen:

1. Per-nummer-kansen schatten voor de volgende trekking. Bij een eerlijke machine convergeren die naar 1/n met verdwijnende residual.
2. Populariteitsverdelingen schatten — wat andere spelers waarschijnlijk kiezen — voor payout-bewuste ticketbouw.

Wie claimt de exacte combinatie te voorspellen, verkoopt ruis. De informatie-inhoud van een eerlijke trekking is exact log2(C(n, k)) bits, niet kenbaar uit history.

2. Wat kunnen Bayesiaanse modellen goed?

Een Bayesiaans model behandelt elke balfrequentie als parameter met een Beta-prior rond 1/n. Na trekkingen update het tot een Beta-posterior:

p_i = (geobserveerd_i + alpha) / (totaal + alpha * n)

Bij redelijke alpha (10–50) blijft de posterior extreem dicht bij 1/n tenzij er echte, persistente machinebias is. Op schone loterijdata produceert dit:

• Een vlakke posterior met overlappende intervallen
• Een Bayes-factor rond 1 voor "fair" vs "biased"
• Een posterior predictive die zegt: elk nummer ~even waarschijnlijk

Dat is het juiste antwoord. Het model is eerlijk over wat het niet weet.

Waar Bayesian uitblinkt:

• Spelerspopulariteit modelleren: priors uit enquêtedata (verjaardagen oversampled, 7/11/13 oversampled) geüpdatet met prize-tier breakdowns van operators.
• EV onder onzekerheid: posterior over jackpotgroei, rollover-gedrag, ticketverkoopreactie op marketing.

3. Wat kunnen neurale netwerken — en waar hou je jezelf voor de gek?

Een neural network getraind op trekkingshistorie past elke vorm — ook puur ruis. Standaard faalmodi:

• In-sample overfitting: een 3-laags LSTM op 2000 trekkingen 6/49 haalt routinematig 90%+ "next-draw accuracy" op trainingsdata en ~0% lift t.o.v. uniform op holdout.
• Survivorship in metric design: men kiest de metric na gezien te hebben wat werkte.
• Datalekkage: time-shuffled splits laten toekomstige draws in training lekken.

Waar neural networks echt bijdragen:

• Tekstuele en gedragsmodellen van spelers: transformer over prize-tier-announcements, jackpotcommunicatie, social-media voor ticketverkoop-prognose.
• Anomaliedetectie op machine-output: autoencoder die draws met driftende multivariate eigenschappen flagt. Nuttig voor QC van de operator, niet voor de speler.
• Populariteitsvoorspelling: gegeven een combinatie, voorspel het aandeel spelers dat hem kiest.

4. Hoe verhouden beide zich head-to-head?

Taak	Bayesian	Neural network
Volgende combinatie voorspellen	Faalt eerlijk (uniform)	Faalt stiekem (overfit)
Machinebias detecteren	✅ Bayes-factor, posterior	Mogelijk maar ondoorzichtig
Spelerspopulariteit	✅ Sterk	✅ Bij veel data
EV-onzekerheidsbanden	✅ Native	Mogelijk (MC dropout)
Anti-populariteit ticketbouw	✅ Sterk	✅ Sterk
Transparantie	✅ Hoog	❌ Laag
Rekenkosten	Laag	Hoog
Datavereiste	Bescheiden	Groot

Voor loterijwerk wint praktisch: een Bayesiaanse laag voor eerlijke kans, optioneel met een neuraal populariteitsmodel erboven voor ticketbouw. Puur neural voor "volgende nummers" is een categoriefout.

5. Welke aanpak gebruiken wij?

Onze analyser gebruikt een Bayesiaanse frequentielaag (posterior met zwakke prior, Bayes-factor voor elke bias-claim) en een apart populariteitsmodel. We leveren geen "next-numbers AI" omdat dat product niet eerlijk bestaat.

6. Hoe herken je nep-AI-voorspellers?

Rode vlaggen:

• Citeert accuracy in % matches maar nooit op forward-tested split.
• Geen Bayes-factor, geen onzekerheidsband.
• "Getraind op miljoenen trekkingen" — de meeste loterijen hebben ~3000.
• Belooft een specifieke combinatie i.p.v. een verdeling.
• Betaalt per voorspelling, niet per analyse.

Groene vlaggen:

• Posterior-kansen met CI's.
• Eerlijk over uniformity-resultaat.
• Praat over populariteit en payout, niet over winnende combos.

7. Wat is de eerlijke conclusie?

Bayesian wint op eerlijkheid. Neural wint op ruwe capaciteit maar overfit loterijdata zonder signaal. Het snijvlak van "nuttig" en "eerlijk" is een Bayesiaanse kanslaag plus populariteitsmodel — gebruikt om payout te optimaliseren, niet om winnende nummers te voorspellen.