順位学習24時間完了

24時間学習をさせてみました。

|--------------------------------------------------------------------|
|                          Experiment Results                        |
|--------------------------------------------------------------------|
|                               Summary                              |
|--------------------------------------------------------------------|
|ML Task: regression                                                 |
|Dataset: E:\My Project\MBJuniFull\RaceJuniFull.csv                  |
|Label : Juni                                                        |
|Total experiment time : 86400.0000 Secs                             |
|Total number of models explored: 275                                |
|--------------------------------------------------------------------|
|                        Top 5 models explored                       |
|--------------------------------------------------------------------|
|      Trainer                             RMSE       Duration       |
|--------------------------------------------------------------------|
|108   LightGbmRegression                  3.4594     352.0660       |
|100   LightGbmRegression                  3.4606     432.5850       |
|124   LightGbmRegression                  3.4627     349.0950       |
|105   LightGbmRegression                  3.4722     389.6200       |
|131   LightGbmRegression                  3.4733     450.8960       |
|--------------------------------------------------------------------|

最適RMSE 3.4594は前回を超えたので検証してみると

単勝:的中[22.11%] 回収[74.46%] 複勝:的中[50.23%] 回収[85.93%]
枠連:的中[12.11%] 回収[79.60%] 馬連:的中[7.64%] 回収[68.47%]
ワイド:的中[17.94%] 回収[68.85%] 馬単:的中[4.17%] 回収[62.48%]
三連複:的中[4.40%] 回収[96.01%] 三連単:的中[0.81%] 回収[69.44%]
予想[864] 的中[450] (52.08%) 購入[¥597,700] 払戻[¥517,270 (86.54%)]

となり的中率も回収率もダウンorz 学習時間延ばせばとかRMSE値が低くなればとか全く関係無い結果となりました。

第68回大阪杯

相変わらずな調子なんですが、予想です。久しぶりに詳細表示です😀 何も手を加えてないので目新しいものはありませんが

こんな感じです。このままだと購入対象にはならないのでちょっと自分なりに予想はしてみようとは思うけど😅

基本穴党なんでこんな感じにすれば魅力的な感じになるので

で行くかもです😉

基本的にワイド多点買いでは合成オッズ10倍以上、三連複合成オッズ100倍以上と思ってます。

明るい農村

普段からほぼ焼酎ばかりです。友人が甲類は何が入っているか分からないから乙類が良いと言ってたので、基本乙類のみです。プレミア焼酎も飲んでみたいですが、高いです(笑) 赤霧島が限定だった頃、美味いなあと思って何度か飲んでました。その頃から名前としては知ってたんですが、飲んだ事は無かったです。あっ、魔王程度は何度か飲んだりしてます。近所のバーべーキュー時に定価で買えるって方が持参してくれたり、居酒屋で飲んだりと、まあ悪くは無いけどネットで探すと滅茶苦茶高い! 赤兎馬や紫の赤兎馬も試した事があります。紫の赤兎馬は美味しかった😄 ここ最近で美味しいと思ったのは「だいやめ～DAIYAME～」かなぁ。芋なんですが、ちょっと他とは違う味なのが良い。で、手持ちが無くなりそうでって最近は貧乏街道まっしぐらなので博多の華の米専門で、1升×6本の１ケースが6,838円とコスパ最強だからってだけで、美味いとは言い難いけど...ちょっと先日ラクマで売り飛ばした楽天キャッシュがあったのでその消費も兼ねて

このセットを購入ってかまあ、1円も払わずにゲットしてるんですが。11,905円と決して安くは無く普段なら手を出さないレベル。1本当たり3千円程度なのでまあ、紫の赤兎馬辺りと同等かな。

一昨日夜に発注して本日朝届きましたので、まずはスタンダードな「明るい農村」をロックで頂いてます。普通の芋ですね😉

新年度に向けて順位予想強化

今一つ成果が得られない状態を何とか打破したくて更になるファクター追記に踏み切りまた。今回は順位学習用に各馬の馬齢、性別、ブリンカー、斤量、騎手、調教師を加えました。それ用のCSV出力は若干長くなり3時間半程に。サイズ的にも753MBとかです。なので学習時間も１時間とかが本来のお勧めなファイルサイズとなりました。

Model Builderでの学習と検証になりますが、新馬用最適RMSE 1.6474と通常用最適RMSE 1.4085を使って順位学習用CSV作成してちょっと試した所、最適RMSE 3.6642だったものを今年の初めから先週末までで検証した結果が

単勝:的中[18.29%] 回収[109.59%] 複勝:的中[43.63%] 回収[90.13%]
枠連:的中[10.97%] 回収[79.10%] 馬連:的中[6.83%] 回収[102.73%]
ワイド:的中[15.51%] 回収[97.59%] 馬単:的中[3.70%] 回収[164.73%]
三連複:的中[3.47%] 回収[150.53%] 三連単:的中[0.81%] 回収[91.97%]
予想[864] 的中[393] (45.49%) 購入[¥597,700] 払戻[¥760,220 (127.19%)]

でした。まあ、たまたまな感じはしますが、単勝万馬券とかも当ててたりで回収率はかなり良い結果になってます。って事で現在７時間学習させてます。

追記 2024.3.28 23:26
７時間学習での最適RMSEは3.4668でした。で、同様の検証結果が

単勝:的中[22.80%] 回収[94.00%] 複勝:的中[51.16%] 回収[93.69%]
枠連:的中[11.22%] 回収[105.49%] 馬連:的中[8.22%] 回収[112.25%]
ワイド:的中[17.94%] 回収[84.03%] 馬単:的中[4.75%] 回収[98.45%]
三連複:的中[3.82%] 回収[39.22%] 三連単:的中[0.69%] 回収[62.77%]
予想[864] 的中[453] (52.43%) 購入[¥597,700] 払戻[¥588,580 (98.47%)]

大分学習が進んだ感じがします。回収率は上のより落ちはしましたが、的中率が上がりました。的中率が唯一落ちたのは三連単なので...まあ、欲を言えばキリがないけど...新年度に向けて改善は出来ているかと思います。

ここまでの機械学習まとめ

ここに来てModel BuilderのバージョンアップやML.NETのベータリリース等で微妙に変化があり、ちょっとメモしてみます。

新馬戦用のここまでのAutoMLでの最適RMSEは0.8740でした。これを検証すると

単勝:的中[13.33%] 回収[133.33%] 複勝:的中[33.33%] 回収[88.44%]
枠連:的中[8.89%] 回収[348.44%] 馬連:的中[6.67%] 回収[390.00%]
ワイド:的中[11.11%] 回収[140.22%] 馬単:的中[4.44%] 回収[711.11%]
三連複:的中[2.22%] 回収[78.00%] 三連単:的中[0.00%] 回収[0.00%]
予想[45] 的中[15] (33.33%) 購入[¥31,500] 払戻[¥85,030 (269.94%)]

ML.NET 4.0.0のプレビューでは最適RMSEは1.6655でした。これを検証すると

単勝:的中[13.33%] 回収[68.00%] 複勝:的中[26.67%] 回収[53.11%]
枠連:的中[2.22%] 回収[48.00%] 馬連:的中[2.22%] 回収[47.11%]
ワイド:的中[2.22%] 回収[15.11%] 馬単:的中[2.22%] 回収[59.11%]
三連複:的中[0.00%] 回収[0.00%] 三連単:的中[0.00%] 回収[0.00%]
予想[45] 的中[12] (26.67%) 購入[¥31,500] 払戻[¥13,070 (41.49%)]

Model Builderの最適RMSEは1.6552で、これを検証すると

単勝:的中[6.67%] 回収[20.00%] 複勝:的中[24.44%] 回収[63.56%]
枠連:的中[8.89%] 回収[83.33%] 馬連:的中[2.22%] 回収[15.78%]
ワイド:的中[8.89%] 回収[128.44%] 馬単:的中[2.22%] 回収[40.44%]
三連複:的中[4.44%] 回収[315.33%] 三連単:的中[0.00%] 回収[0.00%]
予想[45] 的中[14] (31.11%) 購入[¥31,500] 払戻[¥30,010 (95.27%)]

通常用のここまでのAutoMLでの最適RMSEは0.7947とかあるんですが、モデルファイルが265MBと大きいもので今回のプレビューでもエラーになって使えません。次点で0.8188があり、こちらは126MBなので検証出来ました。

単勝:的中[20.51%] 回収[73.52%] 複勝:的中[46.03%] 回収[79.26%]
枠連:的中[9.36%] 回収[54.33%] 馬連:的中[6.35%] 回収[47.57%]
ワイド:的中[15.26%] 回収[70.29%] 馬単:的中[3.54%] 回収[52.28%]
三連複:的中[3.79%] 回収[44.69%] 三連単:的中[1.10%] 回収[36.01%]
予想[819] 的中[388] (47.37%) 購入[¥566,200] 払戻[¥371,200 (65.56%)]

ML.NET 4.0.0のプレビューでは最適RMSEは1.5209でした。これ検証すると

単勝:的中[24.66%] 回収[86.86%] 複勝:的中[52.26%] 回収[81.56%]
枠連:的中[14.84%] 回収[91.35%] 馬連:的中[10.74%] 回収[93.50%]
ワイド:的中[22.59%] 回収[83.47%] 馬単:的中[6.35%] 回収[109.76%]
三連複:的中[5.13%] 回収[132.81%] 三連単:的中[1.34%] 回収[216.37%]
予想[819] 的中[444] (54.21%) 購入[¥566,200] 払戻[¥727,080 (128.41%)]

Model Builderの最適RMSEは1.4085で、検証すると

単勝:的中[26.01%] 回収[89.71%] 複勝:的中[55.19%] 回収[84.22%]
枠連:的中[16.31%] 回収[97.70%] 馬連:的中[12.09%] 回収[98.88%]
ワイド:的中[23.44%] 回収[78.27%] 馬単:的中[7.33%] 回収[129.47%]
三連複:的中[5.25%] 回収[60.49%] 三連単:的中[1.71%] 回収[142.34%]
予想[819] 的中[469] (57.26%) 購入[¥566,200] 払戻[¥632,770 (111.76%)]

これみると、Model Builder頑張ってる感じがするけど、新馬戦のみまだ学習が足りてないのかな?通常用は確か８時間学習させてますので、新馬戦もちょっと長めの学習させてみますかね😉

第54回高松宮記念

中途半端な学習中ですが、ここまで2,700秒12回の5回目まで終了しての最適RMSEは3.8676なんですが、それを基に予想してみました。

本来の予想に自分なりの考えを入れた印で1-16と1-15ワイドの2点、後は印4頭の三連複ボックスの4点で、中でも高配当な1-15-16の20万馬券には300円行って合計800円の投資です。

CSV出力での工夫

昨晩通常用の学習終了後に順位学習用CSV出力始めて寝て起きても終わらず断念しました。今日のレースに支障が出るからです。で、順位学習用CSV出力のコードを眺めてたんですが、何で時間掛かっているのか気になったんです。

for (int i = 0; i < tousu; i++)
{
    RJSrc rJSrc = new RJSrc(...,Convert.ToByte(i+1),chakujun[i]);
    rj.Add(rJSrc);
}

ループ内でクラス生成してリストに追加してましたが、このクラス基本的に最後の2項目のみ違うだけでそれ以外は共通なんです。ループ内でオブジェクトを繰り返して生成するのは時間が掛かります。そこでRJSrcをクラスではなく構造体に変更し

RJSrc rJSrc = new RJSrc(...,0,0);
for (int i = 0; i < tousu; i++)
{
    rJSrc.Umaban = Convert.ToByte(i+1);
    rJSrc.Juni = chakujun[i];
    rj.Add(rJSrc);
}

とする事で格段にスピードアップする事が出来ました。肝はclassは参照型で構造体は値型って事をCopilotに教えてもらいました😁

追記 2024.3.24 12:11
1990年～2023年の３４年分出力して２時間１２分で出力完了。前回５時間とか書いてたので半分以下に短縮されました。

競走馬マスタ取込時にバグ

ここに来てJV-Linkからの競走馬マスタの取込でカラム桁数指定ミスを発見😖データベースのフルセットアップをやり直す必要が出てきました。データベース構築部にはバグは無くなってたと思ってたけど怖い話だ。実はそれが怖くてJV-LinkデータからのCSV出力部は作り方を変えてます。

取敢えず新馬戦用の学習は終わって通常用のみになったので少しはPCの動きが解放された。ちょっと気が引けるけど、通常用の学習が終わってからフルセットアップだと更にその後順位学習用CSV出力となり致命的に遅くなるので今からフルセットアップを強行してみようかと。

ML.NET Version 4.0.0 Previewを発見

昨晩帰宅後にいつもの様に週末の準備初めてふとVisual Studioのアップデートがある事に気が付きアップデート。Version 17.9.4となりました。で、NuGetも確認してみるとML.NET関連にもPreviewが出ているのを発見して早速試してみる事にしました。

• Microsoft.ML Version 4.0.0-preview24162.2
• Microsoft.ML.AutoML Version 0.22.0-preview24162.2
• Microsoft.ML.CpuMath Version 4.0.0-preview24162.2
• Microsoft.ML.DataView Version 4.0.0-preview24162.2
• Microsoft.ML.FastTree Version 4.0.0-preview24162.2
• Microsoft.ML.LightGbm Version 4.0.0-preview24162.2
• Microsoft.ML.Mkl.Components Version 4.0.0-preview24162.2
• Microsoft.ML.Mkl.Redist Version 4.0.0-preview24162.2
• Microsoft.ML.Recommender Version 0.22.0-preview24162.2

これにLightGBM最新版も入れましたが相変わらずNG。なので上記だけで学習させてます。ML.NET Version 3.0.0以降はどうもRMSE値がそれ以前と違う感じなのは相変わらずです。

既に8時間程新馬戦用と通常用の学習を並行して行ってますが、新馬戦用の最適RMSEが1.6655で、通常用の最適RMSEが1.5261です。何となくModel BuilderのRMSEと同じ感じなので、もしかするとこんな感じがAutoMLでもなのかも。新馬戦用は1,000秒40回(11時間ちょい)、通常用3,000秒20回(16時間強)で行なっているけど、これ書くのもちょいちょい止まる感じなのでやはり並走させての学習はCPUをかなり圧迫してるかも。これが終わったら順位学習用CSV出力してそこから順位学習開始するので明日のレースに間に合うかどうかかも😓

「System.OutOfMemoryException」と「exception Arithmetic operation resulted in an overflow」はこのPreviewでもたまに起きるのは相変わらずで改善されてないorz

Model Builderで３日間学習

 久そぶりに長時間学習してみました。72時間(3日間)学習させてみました。

|--------------------------------------------------------------------|
|                          Experiment Results                        |
|--------------------------------------------------------------------|
|                               Summary                              |
|--------------------------------------------------------------------|
|ML Task: regression                                                 |
|Dataset: E:\My Project\MBJuni\RaceJuni.csv                          |
|Label : Juni                                                        |
|Total experiment time : 259200.0000 Secs                            |
|Total number of models explored: 1668                               |
|--------------------------------------------------------------------|
|                        Top 5 models explored                       |
|--------------------------------------------------------------------|
|      Trainer                             RMSE       Duration       |
|--------------------------------------------------------------------|
|1195  LightGbmRegression                  3.2542     160.9580       |
|1210  LightGbmRegression                  3.2544     156.7890       |
|1184  LightGbmRegression                  3.2557     159.2690       |
|1016  LightGbmRegression                  3.2558     134.1670       |
|1204  LightGbmRegression                  3.2558     154.3030       |
|--------------------------------------------------------------------|

これが限界かな?

単勝:的中[19.70%] 回収[81.01%] 複勝:的中[46.59%] 回収[87.06%]
枠連:的中[13.32%] 回収[94.99%] 馬連:的中[8.21%] 回収[81.28%]
ワイド:的中[16.67%] 回収[100.66%] 馬単:的中[3.91%] 回収[63.17%]
三連複:的中[3.41%] 回収[50.03%] 三連単:的中[0.88%] 回収[54.08%]
予想[792] 的中[382] (48.23%) 購入[¥548,000] 払戻[¥478,830 (87.38%)]

これはちょっと微妙な結果です。

Model Builderで、もう少し学習

前回紹介した結果はあくまでリトライとか無しで、各１回ずつのみの学習での結果でした。新馬戦は今週初めに数回再学習させると最適RMSE1.6552と若干改善、通常用は何度やっても改善しないので試しに８時間。ってのもAutoMLでは指定時間を回数指定で行える様にしましたが、Model Builderは指定時間を何度も繰り返すには手動で行う必要があり、多分５回以上は手動でしても改善しなかったので久しぶりの長時間学習に挑んでみました。結果的に最適RMSE1.4085が出ました。この２つを基に順位学習用CSV出力が５時間弱(4:48)とか掛かりました。正月の8時間よりはマシですが、再度行うには躊躇する時間です。で、これを基に７時間学習をさせてみた所、最適RMSE3.2983となりましたので検証してみると

単勝:的中[19.44%] 回収[78.87%] 複勝:的中[49.07%] 回収[92.53%]
枠連:的中[12.52%] 回収[83.32%] 馬連:的中[6.94%] 回収[58.80%]
ワイド:的中[18.06%] 回収[96.25%] 馬単:的中[3.55%] 回収[47.78%]
三連複:的中[4.32%] 回収[102.95%] 三連単:的中[0.93%] 回収[115.09%]
予想[648] 的中[333] (51.39%) 購入[¥448,700] 払戻[¥433,700 (96.66%)]

となり、随分と改善が見られます。AutoMLの検証を超える結果になりましたので、今週末からこちらで試してみようかと思います。まっ、それが吉と出るかは...

Model Builderの実力は

 新馬戦用と通常用の学習モデルを利用して順位用のCSV出力してから学習スタート。デフォルト時間３０分で行いました。

|--------------------------------------------------------------------|
|                          Experiment Results                        |
|--------------------------------------------------------------------|
|                               Summary                              |
|--------------------------------------------------------------------|
|ML Task: regression                                                 |
|Dataset: E:\My Project\MBJuni\RaceJuni.csv                          |
|Label : Juni                                                        |
|Total experiment time :  1800.0000 Secs                             |
|Total number of models explored: 61                                 |
|--------------------------------------------------------------------|
|                        Top 5 models explored                       |
|--------------------------------------------------------------------|
|      Trainer                             RMSE       Duration       |
|--------------------------------------------------------------------|
|12    LightGbmRegression                  3.7887     31.1510        |
|57    LightGbmRegression                  4.0302     37.5550        |
|29    LightGbmRegression                  4.0461     57.4470        |
|52    LightGbmRegression                  4.0474     30.4800        |
|58    LightGbmRegression                  4.0493     55.8400        |
|--------------------------------------------------------------------|

新バージョンのModel Builder使って各１回しか行ってませんが、それぞれの最適RMSEは

• 新馬戦用 1.6925
• 通常用 1.4110
• 順位用 3.7887

となりました。現状AutoMLで何度も繰り返し、採用しているモデルは

• 新馬戦用 0.8740
• 通常用 0.8188
• 順位用 1.2148

です。RMSEが全然違っているのでちょっと分かり辛いですね。

今年の初めから先週末(3/3)までで検証してみると

MB新馬戦用
単勝:的中[6.67%] 回収[15.78%] 複勝:的中[37.78%] 回収[104.00%]
枠連:的中[2.22%] 回収[23.33%] 馬連:的中[2.22%] 回収[36.44%] 
ワイド:的中[4.44%] 回収[53.33%] 馬単:的中[2.22%] 回収[63.78%]
三連複:的中[0.00%] 回収[0.00%] 三連単:的中[0.00%] 回収[0.00%]
予想[45] 的中[17] (37.78%) 購入[¥31,500] 払戻[¥13,350 (42.38%)

AutoML新馬戦用
単勝:的中[13.33%] 回収[133.33%] 複勝:的中[33.33%] 回収[88.44%]
枠連:的中[8.89%] 回収[348.44%] 馬連:的中[6.67%] 回収[390.00%]
ワイド:的中[11.11%] 回収[140.22%] 馬単:的中[4.44%] 回収[711.11%]
三連複:的中[2.22%] 回収[78.00%] 三連単:的中[0.00%] 回収[0.00%]
予想[45] 的中[15] (33.33%) 購入[¥31,500] 払戻[¥85,030 (269.94%)]

MB通常用
単勝:的中[23.16%] 回収[69.89%] 複勝:的中[52.73%] 回収[87.10%]
枠連:的中[16.60%] 回収[91.15%] 馬連:的中[12.24%] 回収[94.69%]
ワイド:的中[23.16%] 回収[79.68%] 馬単:的中[6.40%] 回収[78.55%]
三連複:的中[4.90%] 回収[68.10%] 三連単:的中[1.13%] 回収[70.58%]
予想[531] 的中[288] (54.24%) 購入[¥367,400] 払戻[¥335,780 (91.39%)]

AutoML通常用
単勝:的中[22.22%] 回収[79.34%] 複勝:的中[44.82%] 回収[77.91%]
枠連:的中[10.86%] 回収[60.18%] 馬連:的中[6.78%] 回収[56.46%]
ワイド:的中[16.20%] 回収[69.81%] 馬単:的中[4.14%] 回収[67.51%]
三連複:的中[3.95%] 回収[50.00%] 三連単:的中[1.32%] 回収[43.84%]
予想[531] 的中[246] (46.33%) 購入[¥367,400] 払戻[¥265,600 (72.29%)]

MB順位用
単勝:的中[14.06%] 回収[68.42%] 複勝:的中[37.15%] 回収[79.05%]
枠連:的中[6.94%] 回収[70.00%] 馬連:的中[3.99%] 回収[27.97%]
ワイド:的中[11.98%] 回収[86.65%] 馬単:的中[1.74%] 回収[28.25%]
三連複:的中[2.60%] 回収[94.44%] 三連単:的中[0.17%] 回収[39.48%]
予想[576] 的中[221] (38.37%) 購入[¥398,900] 払戻[¥281,680 (70.61%)]

AutoML順位用
単勝:的中[18.75%] 回収[74.31%] 複勝:的中[46.18%] 回収[85.09%]
枠連:的中[9.94%] 回収[67.54%] 馬連:的中[6.77%] 回収[64.18%]
ワイド:的中[16.15%] 回収[66.15%] 馬単:的中[3.82%] 回収[61.70%]
三連複:的中[3.82%] 回収[70.17%] 三連単:的中[0.52%] 回収[10.26%]
予想[576] 的中[275] (47.74%) 購入[¥398,900] 払戻[¥284,750 (71.38%)]

ちょっと検証期間が短いので比べ辛いのは変わらないですが、印象的には然程違いは無い感じですね。いや、RMSEの違いから想像するとって意味合いでね。大きく違うのはモデルファイルの大きさです。(AutoML:MB)

• 新馬戦用 165MB:239KB
• 通常用 126MB:56.5MB
• 順位用 101MB:125KB

これがこれだけ違うと大きなモデルのロードでエラーになるのもMBのなら気にならないのかも。ただ、MBも何度も学習して良いモデルを突き詰めて行くと大きいのが出てくるかも。今後しばらくModel Builderでの学習を試していく必要があるかもです。

ML.NET Model Builder 2022 Version 17.18.2.2414501

適度な感覚で新バージョンリリース待ち続け本日発見して早速アップデートして試し始めました。まずは新馬戦用で基本的な設定をしてトレーニング時間はデフォルトの10分で行ってみました。

|--------------------------------------------------------------------|
|                          Experiment Results                        |
|--------------------------------------------------------------------|
|                               Summary                              |
|--------------------------------------------------------------------|
|ML Task: regression                                                 |
|Dataset: E:\My Project\MBShinba\ShinbaTime.csv                      |
|Label : Souha                                                       |
|Total experiment time :   600.0000 Secs                             |
|Total number of models explored: 147                                |
|--------------------------------------------------------------------|
|                        Top 5 models explored                       |
|--------------------------------------------------------------------|
|      Trainer                             RMSE       Duration       |
|--------------------------------------------------------------------|
|142   FastTreeRegression                  1.6925     4.2390         |
|90    FastTreeRegression                  1.6938     4.2580         |
|110   FastTreeRegression                  1.6938     3.6550         |
|141   FastTreeRegression                  1.6951     4.1770         |
|128   FastTreeRegression                  1.6959     4.0910         |
|--------------------------------------------------------------------|

ここ最近は新馬戦用でもRMSEは1未満ですが、ちょっと程遠い感じです。AutoMLでは指定時間を自動で指定回数実行する様にしてますが、Model Builderだと手動なのでどうするかですね。あっ、ここには出てませんが、ログみてたら今回はしっかりLightGBMも使われてます。

現在通常用の学習をこちらはデフォルトで１時間なので行ってますがもう少しで終わります。現時点ではRMSE 1.4110が最良でトレーナーはLightGBMです。

|--------------------------------------------------------------------|
|                          Experiment Results                        |
|--------------------------------------------------------------------|
|                               Summary                              |
|--------------------------------------------------------------------|
|ML Task: regression                                                 |
|Dataset: E:\My Project\MBSouha\SouhaTime.csv                        |
|Label : Souha                                                       |
|Total experiment time :  3600.0000 Secs                             |
|Total number of models explored: 28                                 |
|--------------------------------------------------------------------|
|                        Top 5 models explored                       |
|--------------------------------------------------------------------|
|      Trainer                             RMSE       Duration       |
|--------------------------------------------------------------------|
|19    LightGbmRegression                  1.4110     718.0860       |
|18    LightGbmRegression                  1.4392     664.6090       |
|16    LightGbmRegression                  1.4753     218.4160       |
|17    LightGbmRegression                  1.5419     173.1880       |
|14    LightGbmRegression                  1.5421     83.1000        |
|--------------------------------------------------------------------|

結局そのまま終わった感じです。

パイチャートのタイトル

 あの後、本家LiveCharts2のサンプルにズバリな例があって解決しました。
まずは追加のusingで

using LiveChartsCore.SkiaSharpView.VisualElements;

を入れます。TitleにはLabelVisualクラスを使う様で

LabelVisual title = new LabelVisual
{
    Text = selectedDateTime.ToString("yyyy/MM/dd"),
    TextSize = 25,
    Padding = new LiveChartsCore.Drawing.Padding(15),
    Paint = new SolidColorPaint(SKColors.DarkSlateGray)
};

てな感じにして

pcDay.Title = title;

と割り当てると

無事に表示されます。

追記 2024.3.8 16:30
これ書いた直後に気が付きました。このままでは日本語は表示されません。しかし、凡例等で設定したSolidColorPaintクラスを設定するプロパティが見つからない。パイチャート・コントロールのTooltipTextPaintやLegendTextPaintがそれだったので、TitleTextPaintとかがあれば良かったんですが無い。現状分からないので英字で回避してます。

Microsoft Rewards １１回目

 前回より５６日で達成してますので、６日程短縮されてます。これは、Microsoftが日々のポイントを以前と同様に戻したりが影響してると思いますが、毎回Amazonギフト600円に交換してたんですが、前回までは5,250ポイントで交換出来てたのに昨日交換しようとして初めて改悪されて5,400ポイント必要になってた為１日延びました。スマホBingでもなるべく続ける様にしてますが、ちょいちょい忘れます。７日目のポイントは１週目は２０ポイント、２週目は３０ポイント、３週目が４０ポイントと増える感じですが、この３週目は取れたか忘れました😅

まっ、継続は力なり😁

スマートホーム化完了

３月に入って始まったAmazonの新生活SALEを利用して追加のNature Remo nanoは本来なら昨日届く予定が何らかのトラブルが発生して延着し、今朝届きました。自宅にはこれでNature Remo mini2 Premiumが１台、Nature Remo nanoが３台で全ての部屋を網羅しました。これから徐々に色々な設定をしていきたいとは思ってます。現時点で10台の機器が登録されてます。意外(?)と赤外線は飛ばない感じで、特にnanoは距離が短い感じです。元々mini2 Premiumはnanoに比べて飛ぶ距離は長い仕様らしいけど、各寝室の照明とエアコンは同じ機種が設置してますので干渉とか心配しましたが問題ない感じです。

• Nature Remo mini2 Premium 5,980円
• Nature Remo nano 3,580円 x 3

合計で16,720円でした。まあ、これ以外にケーブルとACアダプターなんで、約2万円程度な感じでスマートホーム化完了ですね。

Nature Remo mini2 Premiumの方は今後BLEでYKK APの玄関ドアの鍵に対応してくれれば更に良いのですが、これは無理かなぁと期待せずにいます。

パイチャート

未だ正式リリースされないLive Charts2なんですが、今回はパイチャートに挑戦してみました。Copilotに早速質問ぶつけましたがまともな回答ではなかったです😞 まともな回答って多少ズレたりしてもまあ動かせるなら良いのですが、もうダメダメでした。
データの準備は

var daySeries = new ISeries[9];
daySeries[0] = new PieSeries<long>
{
    Values = new long[] { tansho },
    Name = "単勝"
};
daySeries[1] = new PieSeries<long>
{
    Values = new long[] { fukusho },
    Name = "複勝"
};
daySeries[2] = new PieSeries<long>
{
    Values = new long[] { wakuren },
    Name = "枠連"
};
daySeries[3] = new PieSeries<long>
{
    Values = new long[] { umaren },
    Name = "馬連"
};
daySeries[4] = new PieSeries<long>
{
    Values = new long[] { wide },
    Name = "ワイド"
};
daySeries[5] = new PieSeries<long>
{
    Values = new long[] { umatan },
    Name = "馬単"
};
daySeries[6] = new PieSeries<long>
{
    Values = new long[] { sanrenfuku },
    Name = "三連複"
};
daySeries[7] = new PieSeries<long>
{
    Values = new long[] { sanrentan },
    Name = "三連単"
};
daySeries[8] = new PieSeries<long>
{
    Values = new long[] { winFive },
    Name = "ＷＩＮ５"
};

以前書いてますが、今回も日本語フォントがそのままではうまく表示されませんので

SolidColorPaint lp = new SolidColorPaint();
lp.Color = SKColors.Blue;
lp.FontFamily = "ＭＳ ゴシック";
lp.SKFontStyle = new SKFontStyle(SKFontStyleWeight.Normal,SKFontStyleWidth.Normal,SKFontStyleSlant.Upright);
pcDay.TooltipTextPaint = lp;

更に凡例用に

pcDay.LegendTextPaint = lp;

で、コントロールにデータセットすれば

pcDay.Series = daySeries;

実行時には

っか感じに表示されます。更にマウスで

個々のツールチップも表示されるんですが、ご覧の様に凡例のテキストが消えます。この後マウスを外しても凡例のテキストは消えたままです。これがって事ではないと思いますが、未だベータなんだなぁっと😓 更に実はこのチャートのタイトルを表示したいとは思っているんですが、

pcDay.Name = selectedDateTime.ToString("yyyy/MM/dd");

としても何も出ないし、

pcDay.Title = selectedDateTime.ToString("yyyy/MM/dd");

は、そもそも自動キャストが出来ないって事でコンパイルすら通りません。もう少し学習が必要です。

追記 2024.3.4 12:07
Visual Studioのフォームのデザイン画面でPieChartコントロールのプロパティにTitleはあるんですが、入力出来ません。なのでプログラムから設定するステートメントがコンパイル通らないのも納得かも。