競馬すごろく

はじめにこれまでの競馬AI開発メモでは、脚質・展開圧力・距離適性・馬場適性・レース間隔・馬体重・騎手変更の特徴量を個別に検証してきました。 個別検証ではそれぞれ一定の改善が見られましたが、「全部まとめたら本当に精度は上がるのか？」という疑問...

はじめに前回の記事では、人気薄で好走した「馬単体」を sample_weight で重く学習し、穴馬の予測精度やキャリブレーションがどう変わるかを検証しました。今回はその続編として、馬単体ではなく「波乱レースそのもの」をレース単位で重く学習...

はじめに今回は特徴量追加ではなく、「学習のさせ方」を変えることで予測性能が変わるかを検証します。具体的には、人気薄で好走した馬 (いわゆる「穴馬として好走した馬」) を LightGBM の学習時に sample_weight で重く扱うこ...

はじめにこれまでの記事では、脚質・展開圧力・距離適性・馬場適性・レース間隔・馬体重・騎手特徴量など、主に「特徴量追加」による勝率モデルの精度改善を検証してきました。評価指標は AUC / logloss / Brier score が中心で...

はじめに地方競馬AIの特徴量エンジニアリングシリーズとして、「レース間隔」を特徴量化します。前走からの日数・休み明け・短期続戦など、ローテーションに関する情報が予測精度に貢献するかをLightGBMで実験的に確認します。今回確認することレー...

はじめに地方競馬AIの特徴量エンジニアリング検証シリーズとして、今回は「騎手乗り替わり」と、騎手・馬×騎手・騎手×調教師などの過去成績特徴量に対するスパース対策の効果を比較します。過去成績特徴量は履歴が少ない組み合わせで値が不安定になりやす...

はじめに今回は「馬体重」と「馬体重増減」を特徴量化し、LightGBMの予測精度に効くかを確認します。今回確認すること馬体重そのものを入れると精度が上がるか馬体重増減を入れると精度が上がるか過去平均との差（通常体重からのズレ）が効くか馬体重...

はじめに今回は馬の「馬場適性」を過去走情報から数値化し、LightGBMの1着予測精度への貢献を検証しました。「重馬場が得意な馬」「良馬場でしか走らない馬」といった直感的な情報が、実際にモデルの予測精度改善に効くのかをデータで確認します。今...

はじめに前回は各馬の過去走通過順から脚質特徴量を作り、予測精度への貢献を確認しました。 今回はその発展として、今走メンバー全体の脚質構成から「展開圧力」を数値化し、LightGBMの1着予測精度が改善するかを検証しました。今回確認すること各...

はじめに今回は「馬の脚質」を数値化したときに、LightGBMの1着予測精度が改善するかを確認しました。脚質とは、レース中での馬の位置取り傾向のことです。「逃げ（先頭付近）」「先行」「差し」「追込（後方から）」のように分類されます。ただし、...