競輪予想（画像は弊社の競輪予想用記事のものです）からはじまった機械学習も競馬を分析せよいうご依頼をきっかけに、以下メモとして解説していきます。

因みに私は競輪では、的中率100%を叩き出しています。

クライアントにも公開する記事なので有料です。
※間違ってたらスマン

記事内容は随時更新

第一稿　2021/1/12

▼教科書

▼第一章の補足解説

ベンター

神様的な扱いの人。

Computer Based Horse Race Handicapping and Wagering Systems: A Report - 1994-benter

https://twitter.com/hashtag/%E3%83%93%E3%83%AB%E3%83%BB%E3%83%99%E3%83%B3%E3%82%BF%E3%83%BC

卍さん

頭のいい人。
馬券裁判の人。
多分、いい人。

松風AIの人

成功者に分類していいはず。
Twitter面白い。
多分、日常に退屈している人。

日本の公営競馬における「競馬必勝法の具体例」

ギャンブルにAIを使う理由

AIを使っている人が増えて、使うのが当たり前になってきている。
AI利用でないと、情報不足で勝てても儲からない状況。
機械学習は、より儲かる買い目を割り出す。

SQL

分析で大量のデータを扱うために、どうしても必要。
ただDB操作は基本的に簡単なので、そこまで苦手意識を持たないでも大丈夫。
問題は、DB操作をして何を導くかというアイデアだと思う。

重回帰分析

単回帰を理解するとわかりやすい。

原因と結果があり、原因がひとつで結果を導くのが単回帰。

y=ax+bと出てきたら単回帰式。

例えば、寒いとビールの売上が下がるだろうと思えば、気温が原因、売上本数が結果と仮定して分析するだろう、多分。

気温以外に、キャンペーンのあるなしなど、多数の原因があって結果を分析すると重回帰分析。

多変量解析

解析作業の全体を指すようなことが多い。
いろんな分析手法がここに含まれる。
データ同士の関係性を出す感じ。
重回帰分析も大きな枠組みでここに入るはず。

ランダムフォレスト

私が一番得意なやつ。
決定木という言葉が出てきたらこれかもしれない。
分析結果が、逆さにした木のように見える。

慣れると扱いやすく、業務でも度々利用。
結果のビジュアルも、人間が直感的に理解しやすい。…かもしれない。

PyConJP

貫井さんって方の発表がこれ。
とても参考になると評判がすこぶるよろしい。

ここまでが本の第一章の内容。

▼第二章の補足解説

勾配ブースティングとアンサンブル

勾配ブースティングは、決定木をたくさん作る。
決定木ごとの合議で、予測値をはじき出す。
この合議部分をアンサンブルというイメージ。
kaggleという競技プログラミングをやるとわかるが、アンサンブルは強力だ。