PC-KEIBA

LightGBMチューニングの知識「PC-KEIBADatabase」と「LightGBM」を使用して、優れたAI競馬予想を作成するために、最低限必要なチューニング方法をまとめました。しかし、この記事を読む前に、以下の2つの単語について最低...

PC-KEIBADatabaseの「Pythonデータ登録」画面は「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です。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...

AI競馬予想に最適な PC-KEIBA Database。この「AI競馬」のカテゴリではLightGBMで競馬予想するための、Pythonのソースコードを無料で公開してます。ここでは競馬予想に使えそうな、4つの分析方法を紹介します。

「二値分類」は目的変数を0か1の二値に分類にする方法です。ここに公開するPythonのソースコードは「正解率」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」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。