AI競馬

Optunaの拡張機能である「LightGBM Tuner」は、ハイパーパラメータを自動調整してくれるLightGBM専用のモジュールです。重要なハイパーパラメータを優先的に調整し、探索範囲を効率的に絞り込みます。これにより、機械学習モデルの性能を向上させることが可能です。

今回はレースの波乱度を予測する機械学習モデルを開発してみます。具体的には、LightGBMを用いて、コンピ指数1位馬が3着以内に入るかどうかを予測します。出馬表確定時点で予測を行うことで、競馬予想に役立てることを目的としています。コンピ指数は、日刊スポーツが独自に算出した馬の能力指数です。

今回は「LightGBMによるAI競馬予想(Pythonデータ登録)」の記事で作った「ランキング学習」の2021年の学習データを使って、2022年のレースを予想してみます。シミュレーションの方法をざっくり言うと、予測値を外部指数化して、「PC-KEIBA Database」の画面でシミュレーションします

「PC-KEIBA Database」と「LightGBM」を使って、優れたAI競馬予想を作るために、最低限必要なチューニング方法をまとめました。チューニングを習得するためには、以下の2つの概念を理解する必要があるので、まずこれらを説明します。

この記事では「LightGBMによるAI競馬予想(準備編)」で紹介した、予測用ソースコードの実行をソフトが全レース自動でやる機能、「Pythonデータ登録」画面について説明します。さらに予測値と確率のデータをテーブルに登録するのが目的です。

当サイトの「AI競馬」の記事と「PC-KEIBA Database」があれば、競馬予想AIは簡単に作れます。必要なのは、CSV形式の学習データを用意することだけです。最終的には、それらを自分のニーズに合わせてカスタマイズし、最強の競馬予想AIを完成させてください。

「二値分類」は目的変数を0か1の二値に分類する方法です。ここに公開するPythonのソースコードは「正解率・適合率・再現率・F値・AUC」の評価指標と「特徴量重要度」の可視化を実装しています。学習データを作るSQLで目的変数の項目名を「target」にすれば、オリジナルの学習データで分析する場合でもそのまま使えます。

「多クラス分類」は目的変数を多クラスに分類する方法です。「二値分類」の三値以上版みたいなイメージ。ここに公開するPythonのソースコードは「正解率・適合率・再現率・F値」の評価指標と「特徴量重要度」の可視化を実装しています。学習データを作るSQLで目的変数の項目名を「target」にすれば、オリジナルの学習データで分析する場合でもそのまま使えます。

「回帰分析」は数値を目的変数とする場合に使う方法です。競馬予想の場合、例えば走破タイムなど。ここに公開するPythonのソースコードは「予測誤差」と「決定係数」の評価指標と「散布図」の作成を実装しています。学習データを作るSQLで目的変数の項目名を「target」にすれば、オリジナルの学習データで分析する場合でもそのまま使えます。

二値分類や回帰分析が絶対的な「値」を求めるのに対し、ランキング学習は相対的に順位付けします。具体的な数値ではなく順位なので、いかにも競馬予想に向いてそうです。ここに公開するPythonのソースコードは「特徴量重要度」の可視化を実装しています。学習データを作るSQLで目的変数の項目名を「target」にすれば、オリジナルの学習データで分析する場合でもそのまま使えます。