TigerOddsの最終レース日記 -2ページ目

TigerOddsの最終レース日記 -2ページ目

ホームピグアメブロ

芸能人ブログ人気ブログ

01May
- 競馬展開予測CNNの精度向上を目指して勉強中
  CNNのnetwork設計でカーネルサンダースを実験中ここではConvolutionのkernelを5X5 3X3 1X1 と3段階で小さくする設計です。コンボをカーネルで3段階の設計、略してカーネル三段'sでカーネルサンダースって勝手に命名します。ケンタッキー・フライド・チキンにもメニューにコンボってあるよなぁCMBDTのひとかたまりでコンボの1段階。BatchNormalizationとDropuoutをサンドイッチするのもお忘れなくこれで時間がなかったので30世代までで検証学習曲線は良い感じです！30世代の正解率は64％ですが、100世代までセットして夜に結果をだすようにします。ではまた
26Apr
- 競馬展開予測を畳み込み（CNN）のモデル設計でAddNを使う
  CNNのモデル設計にはAddという部品があり、複数の枝分かれをしたネットワークをまとめる部品です。前回が2個のネットワークを統合しましたのでAdd2を使いました。今回は3個のネットワークを統合してみましたAddNを使います。３X3 、７X7 、11X11とConvサイズを変えて、Dropuoutの比率もチューニングして世代は200世代、バッチサイズ2048、学習画像45000,評価画像15000で行いました。学習時間CPUのみで7時間弱学習曲線で80世代で頭打ちでもうこれ以上学習は伸びません。限界みたい正解率は66.75%少し良くなりましたがベストの66.8%には届かず、モデル設計はいったん休んで、学習画像の設計をまた行います。含水率と何かあるかな？誰も見向きもしないようなファクターないかな？
25Apr
- AIの学習曲線について
  AIの学習時に横軸Epoch世代数　縦軸にエラー率で表す学習曲線ではVALIDATIONError曲線、TRAININGError曲線、COST曲線を表示しています。理想的な学習は３つの曲線が右下がりでゼロに近づいているグラフです。しかし過学習を起こしている場合はVALIDATIONError（赤の破線）が他の線から離れて上向きになると判断できます。図のように110世代目あたりでドーンと上向きになっている時点で「過学習」と判断してはいけません。学習曲線が振動している状態で安定してない場合もあります。もう少し、気長に世代数を増やしていくと学習が安定してくるか、過学習になるかが分かります。300世代まで行ってみると230世代でベストスコアになりました。さらに、400世代まで学習させました。その結果、依然として230世代がベストスコアでした。残念正解率は66.68% 前回の正解率66.87%で悪くなっております。うーんこれ以上やるとコストパフォーマンスが悪いので世代数を増やすのはやめることにします。さてニューラルネットワークの設計をもう少しいじっていきますかAdd3ではどうなるのか？含水率の要素を加えるか？私の学習も果てしなくエラーゼロになるように続きます。
24Apr
- 競馬展開予測を畳み込みニューラルネットワーク（CNN）のモデル設計で改善
  競馬展開予測を畳み込みニューラルネットワーク（CNN）で勉強中のTigerOddsです。前回はCNN設計を改善しました。今回もCNN設計です。今まではCNNのモデルはストレートな1本道で行って来ました.世界の優秀なCNNモデルの設計を見てみると、1本道ではなく複数に枝分かれをしています高度な画像認識では、視野を変えて観て、それを統合して判断しているようです。そこでさっそく枝分かれを取り入れてみました。CNNのモデル設計にはAddという部品があり、複数の枝分かれをしたネットワークをまとめる部品です。2個のネットワークを統合する時はAdd2を使います。n個のネットワークを統合する時はAddnを使います。こんな感じに枝分かれして、左側は畳み込みを3X3で右側は7X7とサイズを変えてます。右と左を統合するときは出力を同じにしてAdd2でまとめます。そして学習させました。正解率は66.87％と少しアップ学習曲線は100世代で学習させましたが、90世代でベストスコア100世代目でvalidationERRORが上昇しています。しかし、少し上昇したグラフでもあきらめてはいけません。もう少し学習させると、精度が上がる事があります。次回は学習する世代を100から300にして結果をご報告します。
23Apr
- 畳み込みニューラルネットワーク（CNN)にNBとDropuoutを追加ですよ
  競馬展開予測を畳み込みニューラルネットワーク（CNN）で勉強中のTigerOddsです。前回は学習させる画像の設計を行いました。今回は畳み込みニューラルネットワークの設計を改善します。まず２つの設計要素Batch Normalization(B)とDropuout(D)を追加しました。２つの要素については「楽しみながら理解するAI・機械学習入門」で勉強しました。１）Batch Normalization（バッチ正規化）https://data-analytics.fun/2021/09/11/understanding-batch-normalization/２）Dropout（ドロップアウト）https://data-analytics.fun/2021/11/13/understanding-dropout/(B)と(D)をCNNのどこに追加するかというと「全結合の後、活性化関数の前」という事で図のように　CMRのブロックのMとRの間にBNとDを挟んでみました。そして学習結果は90世代で正解率66.34%と記録更新！BNとDはAI学習に効果あるんですね。学習曲線も安定してます。今までは30世代から過学習に陥りやすかったのが、バッチサイズも2048と増やして100世代まで行けるようになりました次はCMR→CM+B+ND+Rのブロック層を増やしてみる実験を行うとともに含水率を追加してみますかね。それではまた
22Apr
- 競馬展開予測画像認識用TCODEの設計変更したら精度上がる
  競馬展開予測画像認識用TCODEの設計変更画像を人が見て分かりやすい画像ではなく、AIが学習しやすい様にRGBの3枚の画像を重ねわせて設計しましたRは赤の比較する馬、Bが青の比較する馬、Gが緑の他の出走馬とします。画面一番上は枠順中央部がコーナーの位置情報下部2行は競馬場情報と向かい風、追い風情報緑の色の濃さの255段階で表現してAIに認識させるようにしました。その結果、正解率66.26% 前回の正解率65.52%なので、少しですが0.74%精度があがりました。画像の設計って大切だし、風は予測に必要なのかな、ではまた
17Apr
- 競馬展開予測を畳み込みニューラルネットワークで行う途中
  展開予測を畳み込みニューラルネットワークCNNで行う少し進みましたので、忘備録として残していきます。過学習の罠にハマらないように学習データ45000、検証データ15000と増やしてCNNを行いました。CNNの設計図、学習カーブ、混同行列は以下の通りです。正解率は65.5%まで、これ以上中々向上しません。出鱈目に判別すると50%ですから15.5%は向上したと考えてます。データを増やすか、設計図を変えるかすればもう少し向上するかもしれませんが、次のステップに進みます。この学習したモデルを使って、展開の位置取りから、勝つ確率を計算するPythonコードを作ることにします。その話はまた今度、道なき道を進むのだ！tigerodds
16Apr
- 皐月賞2023の反省
  皐月賞2023の反省重馬場とハイペースにより、先行勢バテて直線止まっている状態を追い込み勢が抜き去る展開。先行勢は向かい風2.9mでコーナーを回る不利もあり、今回のレースは向いてなかった。⑭タスティエーラは先行勢の後ろを走り、理想的なペースで後半も持ちこたえて普通なら勝っているレースでしたが、1頭だけキタサンブラック産駒①ソールオリエンスが馬場の良い大外を回って勝ったレース。芝の重馬場や不良馬場を激走し疲れが出る場合もあるので、2023年皐月賞組の次走の成績は要チェックです。
09Apr
- W.A.R.S.久々の100万超えが阪神牝馬Sで爆発
  阪神牝馬SでW.A.R.S.の虎渓が100万馬券的中！といってもこの虎渓はまだ未完成のソフトで今迄ずーっと低空飛行を続けていたので、完全にまぐれ当たりでしょう。この買い目を買えてたら、これから虎渓に虎渓三笑だったんですが笑虎渓の買い目を買うのは虎穴に入るようなものです。
07Apr
- 競馬展開コードをCNNで予測した結果過学習の罠にハマる
  おはようございます。前回展開画像認識正解率83.8％でウキウキしてましたが、データが少なかったので今回展開コードを学習用3万データ、評価用1万データを用意そしてそのTCODEをCNNで学習中ですが、完全に過学習の罠にハマってました。これがCNNの設計図（サンプル設計図から拝借してます）そして学習中のグラフを見るとTRAINING ERRORは少しずつ下がっていいぞって思ってたらVALIDATION ERRORがどんどん急上昇してTRAINING ERRORとは離れていってる。これが過学習のグラフです。この場合は途中で止めた方が良いんですが、せっかくなのでそのままにして、評価を実行して、正解率を見ることにします学習始めて40分後に100世代で終了、VALIDATION ERRORは無残にも上昇のままTRAINING ERRORとVALIDATION ERRORのグラフは仲良く並んで欲しかった（；；）評価ボタンを押すと正解率62.72%で全然ダメな結果になりました。過学習しているから当たり前の結果です。前回の正解率はValidation用のデータが210個だったので、データが少なくて過学習していたことが分かりました。正解率を向上させるCNNやTCODEの設計を改善してみよう！ではまた
06Apr
- 競馬展開画像をCNN(畳み込みニューラルネットワーク)で学習評価する
  CNN(畳み込みニューラルネット）をNNC（Sony Neural Network Console）上で使う。はじめは手動でCNNを設計しておいて、NNCで学習評価しながら自動でCNN設計を行うように設定するとCNNの設計を図１のように勝手にやってくれる。そして学習結果は図２そして評価も確率も自動で計算するので、プログラミングなしで楽に画像認識が可能です。展開画像のみでAIに学習して予測結果は正解率83.8%2者択一なのでランダムに予測すると50%だから、そこそこの正解率になりました。ここに競馬場データを組み込んでAIに学習させて、83.8％を超えるかどうか？学習結果はまた今度
05Apr
- 競馬展開予想のためのTCODE開発
  画像認識のCNN(畳み込みニューラルネットワーク)を使うために2次元化した画像を自動生成することにした。上2/3が展開データ　下1/3が競馬場データ競馬場データには　芝は緑、ダはグレー競馬場コードは黄で距離コードに表示スタートからコーナーまでの距離コーナーからゴールまでの距離坂の高さ等を含めた。コードの長さをAIが認識してくれれば、精度があがるのだろうか？赤や青の点が黒（他の馬）に囲まれて出られない状況を認識してくれるのだろうか？学習結果はまた今度この2次元化コードをTCODEと呼ぶことにします。
04Apr
- 競馬場のコースデータをAIに読み込ませる方法
  AIに展開画像を読み込ませる時に、坂があるとか直線距離長いとか情報別に分けるの面倒なので1)コース,2)スタートから最初のコーナーまでの距離3)コーナーからゴールまでの距離4)坂10cm単位の情報をQRコードみたいな画像にして展開画像に埋め込むようにすればデータを分類せずにAIが勝手に判断してくれそう。畳み込みCNNを使わなければだめですけど......以下、覚書のデータです。四捨五入したり、不正確なものもあるかとは思いますがご容赦の程を。京都のコースは改修前なのであしからず札幌芝1000,205,269,0札幌芝1200,405,269,0札幌芝1500,170,269,0札幌芝1800,185,269,0札幌芝2000,385,269,0札幌芝2600,164,269,0札幌ダ1000,284,264,0札幌ダ1700,240,264,0札幌ダ2400,197,264,0函館芝1000,489,262,0函館芝1200,275,262,0函館芝1800,475,262,0函館芝2000,262,262,0函館芝2600,289,262,0函館ダ1000,366,260,0函館ダ1700,328,260,0函館ダ2400,290,260,0福島芝1000,211,300,10福島芝1200,411,300,10福島芝1700,205,300,10福島芝1800,305,300,10福島芝2000,505,300,10福島芝2600,211,300,10福島ダ1000,334,296,10福島ダ1150,480,296,10福島ダ1700,338,296,10福島ダ2400,325,296,10新潟芝1000,0,1000,0新潟芝1200内,444,359,0新潟芝1400内,648,359,0新潟芝1400外,348,659,0新潟芝1600外,547,659,0新潟芝1800内,236,359,0新潟芝1800外,747,659,0新潟芝2000内,436,359,0新潟芝2000外,947,659,0新潟芝2200内,636,359,0新潟芝2400内,836,359,0新潟芝2400外,236,659,0新潟芝3000内,625,359,0新潟芝3000外,836,659,0新潟芝3200外,1036,659,0新潟ダ1200,525,354,0新潟ダ1700,289,354,0新潟ダ1800,389,354,0新潟ダ2500,352,354,0東京芝1400,342,526,21東京芝1600,542,526,21東京芝1800,156,526,21東京芝2000,126,526,21東京芝2300,249,526,21東京芝2400,536,526,21東京芝2500,449,526,21東京芝3400,259,526,21東京ダ1300,340,502,22東京ダ1400,440,502,22東京ダ1600,626,502,22東京ダ2100,240,502,22東京ダ2400,536,502,22中山芝1200,275,310,22中山芝1600,240,310,22中山芝1800,205,310,22中山芝2000,405,310,22中山芝2200,432,310,22中山芝2500,192,310,22中山芝3600,340,310,22中山ダ1200,502,308,21中山ダ1700,275,308,21中山ダ1800,375,308,21中山ダ2400,209,308,21中山ダ2500,309,308,21中京芝1200,315,413,20中京芝1400,515,413,20中京芝1600,199,413,20中京芝2000,314,413,20中京芝2200,514,413,20中京ダ1000,380,411,20中京ダ1200,407,411,20中京ダ1400,607,411,20中京ダ1600,271,411,20中京ダ1700,371,411,20中京ダ1800,291,411,20中京ダ1900,391,411,20中京ダ2300,262,411,20中京ダ2500,178,411,20京都芝1100内,216,328,0京都芝1200内,316,328,0京都芝1400内,516,328,0京都芝1400外,512,404,0京都芝1600内,716,328,0京都芝1600外,712,404,0京都芝1800外,912,404,0京都芝2000内,309,328,0京都芝2000外,309,404,0京都芝2200外,397,404,0京都芝2400外,597,404,0京都芝3000外,217,404,0京都芝3200外,417,404,0京都ダ1000,310,330,0京都ダ1200,410,330,0京都ダ1400,610,330,0京都ダ1800,286,330,0京都ダ1900,386,330,0阪神芝1200内,258,359,18阪神芝1400内,458,359,18阪神芝1400外,458,476,18阪神芝1600外,444,476,18阪神芝1800外,644,476,18阪神芝2000内,330,359,18阪神芝2200内,530,359,18阪神芝2400外,309,476,18阪神芝2600外,530,476,18阪神芝3000内,369,359,18阪神芝3200外内,544,359,18阪神ダ1200,343,353,16阪神ダ1400,543,353,16阪神ダ1800,303,353,16阪神ダ2000,500,353,16小倉芝1000,280,293,0小倉芝1200,480,293,0小倉芝1700,172,293,0小倉芝1800,272,293,0小倉芝2000,472,293,0小倉芝2600,244,293,0小倉ダ1000,365,293,0小倉ダ1700,343,293,0小倉ダ2400,320,293,0園田820,313,213,0園田1230,207,213,0園田1400,377,213,0園田1700,143,213,0園田1870,313,213,0園田2400,400,213,0大井1200,500,386,0大井1400,200,386,0大井1500,200,286,0大井1600,300,286,0大井1700,200,386,0大井1800,300,386,0大井2000,500,386,0大井2400,100,386,0大井2600,244,386,0川崎900,400,300,0川崎1400,300,300,0川崎1500,400,300,0川崎1600,500,300,0川崎2100,400,300,0浦和800,400,200,0浦和1400,300,200,0浦和1500,100,200,0浦和1600,0,200,0浦和1900,300,200,0浦和2000,400,200,0船橋1000,354,308,0船橋1200,200,308,0船橋1500,154,308,0船橋1600,254,308,0船橋1800,450,308,0船橋2200,154,308,0船橋2400,350,308,0笠松800,287,201,0笠松1400,337,201,0笠松1600,200,201,0笠松1800,187,201,0笠松1900,287,201,0笠松2500,337,201,0名古屋800,261,240,0名古屋1400,311,240,0名古屋1600,134,240,0名古屋1800,161,240,0名古屋1900,261,240,0名古屋2500,311,240,0高知800,250,200,0高知1000,150,200,0高知1300,230,200,0高知1400,330,200,0高知1600,150,200,0高知1800,150,200,0高知1900,250,200,0高知2100,150,200,0高知2400,230,200,0佐賀900,400,200,0佐賀1300,250,200,0佐賀1400,350,200,0佐賀1750,150,200,0佐賀1800,200,200,0佐賀2000,400,200,0門別1000,270,330,0門別1100,370,330,0門別1200,470,330,0門別1500,194,218,0門別1600,294,218,0門別1700,170,330,0門別1800,270,330,0門別2000,470,330,0水沢850,322,245,0水沢1300,150,245,0水沢1400,272,245,0水沢1600,155,245,0水沢1800,72,245,0水沢1900,172,245,0水沢2000,272,245,0盛岡芝1000,400,300,30盛岡芝1600,300,300,30盛岡芝1700,400,300,30盛岡芝2400,400,300,30盛岡ダ1000,300,300,15盛岡ダ1200,500,300,15盛岡ダ1400,700,300,15盛岡ダ1600,900,300,15盛岡ダ1800,300,300,15盛岡ダ2000,500,300,15金沢900,350,236,0金沢1300,150,236,0金沢1400,250,236,0金沢1500,350,236,0金沢1700,107,236,0金沢2000,250,236,0金沢2100,350,236,0姫路800,320,230,0姫路1400,320,230,0姫路1500,420,230,0姫路1800,120,230,0姫路2000,320,230,0
24Mar
- 展開解析ツール完成
  展開解析ツールが完成しました。展開データから内外の位置取りを2次元で表示して結果ボタンで1，2，3着を●数字で表示この2次元データをAIに学習させます。展開予測の基礎を固めていきましょう。
20Mar
- 競馬でデッドヒートした2頭の次走成績回収率は？
  競馬でデッドヒートした2頭の次走成績回収率は？2角先頭2頭と4角先頭2頭が同じ場合　つまり小回りコースか長距離でデッドヒートを繰り広げた2頭の成績は図のようになりました。デッドヒートしたら成績悪くなり、次走は人気が下がり回収率はアップするという仮説はあるかもしれませんが、デッドヒート自体のデータが少ないのが難点かな。展開予測は佳境に入りデッドヒートしそう。
- 展開予測4角2頭先頭の馬の次走の成績回収率は
  展開予測　ダートでの4角2頭先頭の次走の成績回収率は図のようになりました。2003年から2023年までの年間回収率を出した所、データ数が少ないのでバラつきがありますが、2018年2019年は不作でした。そして2020年ぐらいから回収率100%超えが目立つという結果になりました。芝レースはダート程回収率は良くありません。4角3頭先頭の次走成績では中、内の回収率が高い結果になりました。外は勝ち上がって上のクラスの次走成績になるので、成績、回収率は下がるということが分かります。詳細については企業秘密になりますねこれは。4角先頭のレースの通過順位の配置についてもう少し掘り下げていきましょう。
18Mar
- 4角で2頭先頭の場合の内外の勝率を調べる
  ようやく展開予測に入ります。まず１）4角で2頭先頭の場合、内外の勝率を調べる❷❶❸❹❺❻❼--------------------------２）4角で3頭先頭の場合、内中外の勝率を調べる❸❷❶❹❺❻❼--------------------------結果は１）2頭が4角で先頭になった場合は外の馬の方が成績が良い２）3頭が4角で先頭になった場合は外中内の順で成績が良い考察としては外を走る馬は加速度がついているので、内よりも速く直線に向くことが出来る。外を走って距離損しているが、その不利を加速度でカバーする馬が強い馬。内を走る馬は逃げ馬でマークされ余力がない。前走、内を走って負けた馬と外を走って勝った馬をどう評価するのか？その点について検証していきましょう。
17Mar
- 競馬の通過順位について
  展開予測を考える上で通過順位のデータは重要です。通過順位のデータは「各馬の通過順位」と「レースの通過順位」があります。「各馬の通過順位」とは1角から4角までの通過順位を各馬については5⃣5⃣5⃣1⃣のように表します「レースの通過順位」とは[例1] (4,5,6,*7)=1-2,3,8,9(10,11) 12,13　[例2] (4,5,6,*7),1,2,3,8,9(10,11) 12,13のように表します。こちらの方が重要です。上図のように展開を考える時に意味が変わってきます。❶の馬は「各馬の通過順位」では5⃣ですが「レースの通過順位」では[例1]では先頭から5馬身以上はなされた5⃣[例2]では先頭から1馬身はなされた5⃣となります。「各馬の通過順位」だけではなく、「レースの通過順位」から展開予測を考えていきましょう
28Feb
- ワイドオッズ予測方程式を作る
  2018年1月から2020年12月までのデータを使用して出走頭数、単勝、複勝、馬連、馬単のデータからワイドオッズを予測する方程式を作った。次はそのワイドオッズ予測値と実ワイドオッズの差を調べることにする。
23Feb
- 3連単オッズ予測方程式で過去1年間シミュレーションの結果
  前々回にたった2か月分のデータでシミュレーションしたら「右上がりになる無差別曲線」が出来ましたが、2021年2月19日から2022年2月19日までの1年間のデータで効用関数グラフを描いたところ、配当均一買いのグラフでは100％を超えることが出来ませんでした。残念。しかし、賭金均等買いでは100%を超えるグラフが出てきました。予想外の展開です。賭け金均等買いはやってはいけないと言った手前、申し訳ないのですがもう少し吟味する必要がありそうです。リスク０％で回収率104%ってちょっと嘘くさいですが、1.00R <= Y < 1.05R:賭金均等買い:回収率104.016% 的中率:0.0266% 賭金0051174400円配当0053229550円Rは実オッズ、Yは予測オッズです。予測オッズが実オッズに近く、予測オッズの方が0％から5％と少し高い場合が買い時ということをどう解釈するのか？予測オッズよりも少し売れている場合が良いのは市場が合理的になっているからではないかと思われます。リスク80％で回収率109％のグラフもありますが、これはボラ高いので追跡しないほうが良さそうです。次は、予測オッズをロジスティク回帰で計算する方法を考える事3連複やワイドの予測オッズを作る計画です。なかなか展開の話にいけないぐらいオッズ解析は楽しいですよ。