グーグルマップ早や!

今年1月に立て直した自宅なんですが、グーグルマップは早いですねぇ。現時点で既に建て替えたものに変わってます。アップルのマップアプリではまだ古い家のままなんですがどんな頻度で更新してるんだと感心します。

実は少し前にも確認してたんですが、古いままだったのでここ最近の更新なんだと思うけど、それにしても早いなぁ。だって本当に幹線道路とか無縁な住所なんで、これ更新ってどんだけ頻繁にこんな入り込んだ道にも調査に来てるんだと思います。うちの道とかは対向車が来た時点でアウトな道なんですよ。まあ、タイミング良ければすり抜けられるとは思うけど、そんな道の調査をどんな頻度でしてるんだというのが本当に気になります。

間抜けなコーディングミス

分かってみればあれですが、クラスのコンストラクタの記述でコピペしてて、コピペ後に修正が必要なのにしてなかったのが原因でした。順位予測のこれまでの最適RMSE 3.7163は

1,031R	1点	芝(541R)	ダート(452R)	障害(38R)	8頭以下(93R)	9～12頭(323R)	13頭以上(615R)	多点
単勝	25.02% (82.64%)	22.74% (77.86%)	27.21% (89.09%)	31.58% (73.95%)	37.63% (108.28%)	29.72% (82.29%)	20.65% (78.94%)	52.57% (77.47%)
複勝	55.19% (85.60%)	51.57% (80.91%)	59.29% (92.08%)	57.89% (75.26%)	69.89% (90.75%)	61.61% (88.45%)	49.59% (83.32%)	87.49% (80.90%)
枠連	13.48% (90.70%)	12.82% (92.89%)	13.81% (88.29%)	21.05% (94.74%)	-- (--)	14.55% (85.05%)	11.38% (83.35%)	25.23% (80.12%)
馬連	9.70% (81.51%)	9.80% (87.32%)	9.29% (74.82%)	13.16% (78.42%)	12.90% (32.15%)	12.07% (83.37%)	7.97% (88.00%)	21.05% (77.47%)
ワイド	22.79% (85.84%)	20.89% (73.31%)	24.56% (100.66%)	28.95% (87.89%)	39.78% (69.68%)	26.32% (79.91%)	18.37% (91.40%)	42.77% (75.12%)
馬単	5.53% (82.21%)	4.62% (81.24%)	5.97% (80.20%)	13.16% (120.00%)	6.45% (21.72%)	7.12% (70.59%)	4.55% (97.46%)	21.05% (73.33%)
三連複	5.04% (54.80%)	4.99% (49.09%)	4.65% (60.04%)	10.53% (73.68%)	16.13% (52.15%)	8.05% (69.72%)	1.79% (47.37%)	13.39% (71.10%)
三連単	0.78% (43.60%)	0.18% (0.92%)	1.11% (82.63%)	5.26% (186.84%)	1.08% (5.38%)	1.55% (37.62%)	0.33% (52.52%)	13.39% (73.79%)
総合	56.45% (75.56%)	53.05% (67.28%)	60.40% (83.43%)	57.89% (99.12%)	72.04% (54.30%)	62.23% (74.62%)	51.06% (77.79%)	87.97% (74.80%)

こんな感じでした。まだまだ精度が上がらないと使えないですね。それと、まだ完全な状態ではないものの、アプリに添付するのかも悩む所です。

第170回天皇賞(秋)

LightGBM v4.5.0での予想はM3に表示されるようにしてます。M4に順位予測がってつもりなんですが、現在うまく予測されません。ちょっと原因不明でデバッグ中なんですが時間掛かりそう。

このレースはAIもなかなか魅力的な予想してくれましたが、自力で印打ってみました。いつもイマイチ当てられない予想ですが、そろそろ来て欲しい。

ああ、そういえば、少し前に行われた70周年の

これ当たりました😁

LightGBM v4.5.0の外部プロセス

学習モデルのパラメーター調整とかによる精度向上には時間も労力も掛かります。目先の問題としてさらだの予想レベル向上が急務なのでLightGBM利用の為の外部プロセスの一通りのコーディングをしてみたので、先日までに得た新馬CKと通常CKを使った順位CKの学習用CSV出力を今朝夜勤明けで帰宅後にスタートして寝ました。

元々かなり時間の掛かる処理ではありましたが、今回4時間半程度掛かりました。で、早速それ使った学習を始めてます。Model Builderでの最適RMSEは3.0未満だったのですが、現在大体3.72前後とこれが良いのか悪いのか😓 ここまでの最適RMSE 3.7180で

959R	1点	芝(506R)	ダート(418R)	障害(35R)	8頭以下(81R)	9～12頭(297R)	13頭以上(581R)	多点
単勝	9.18% (84.80%)	10.47% (92.83%)	6.94% (72.30%)	17.14% (118.00%)	19.75% (60.00%)	9.43% (81.14%)	7.57% (90.12%)	24.50% (73.41%)
複勝	23.77% (75.55%)	24.90% (80.43%)	21.05% (69.19%)	40.00% (80.86%)	37.04% (61.73%)	27.27% (86.26%)	20.14% (72.00%)	56.93% (76.09%)
枠連	2.34% (69.04%)	2.99% (105.07%)	1.28% (17.41%)	10.53% (366.32%)	-- (--)	3.03% (93.10%)	1.72% (48.78%)	4.56% (60.44%)
馬連	2.40% (66.05%)	2.96% (97.61%)	1.20% (15.86%)	8.57% (209.14%)	4.94% (92.59%)	3.03% (98.15%)	1.72% (45.94%)	4.90% (46.03%)
ワイド	5.11% (42.60%)	5.93% (52.39%)	3.59% (27.68%)	11.43% (79.14%)	11.11% (57.16%)	6.73% (51.25%)	3.44% (36.14%)	13.24% (47.32%)
馬単	1.25% (56.20%)	1.58% (69.13%)	0.24% (9.81%)	8.57% (423.43%)	4.94% (142.72%)	1.01% (49.39%)	0.86% (47.62%)	4.90% (39.69%)
三連複	0.94% (31.09%)	1.19% (45.77%)	0.24% (4.11%)	5.71% (141.14%)	4.94% (75.19%)	0.67% (16.63%)	0.52% (32.34%)	2.29% (17.01%)
三連単	0.31% (10.54%)	0.40% (11.76%)	0.00% (0.00%)	2.86% (118.86%)	1.23% (4.69%)	0.34% (14.01%)	0.17% (9.59%)	2.29% (16.95%)
総合	23.98% (54.20%)	25.10% (68.43%)	21.29% (27.13%)	40.00% (181.55%)	39.51% (70.58%)	27.27% (61.24%)	20.14% (47.82%)	56.93% (32.62%)

何がびっくりって的中率の低さですね。的中率が低いのに回収率は微妙に感じるのは穴狙い?(笑) これじゃちょっと使い物にならないと思うので手を打つ必要があるか、そもそも順位予測を諦めるか。本来ちょっと無理してる感じは元々感じていて、日本語で言う「大変量回帰」の機械学習が必要って事も随分前から承知していて現行ML.NETではサポート外でTensorFlowなら可能とかってもの少し調べたのでTensorFlow.NETにも期待してたんですが、現在有志不足で頓挫してる。PythonでTensorFlow使ってその学習モデルをML.NETでロードして使うってのも試したんですがうまく行かなかったんです。

追記 2024.10.25
順位学習用CSVは問題なく作成されて、それを学習させているんですが、どうやら原因は予測させても全ての馬が"1"ってか、厳密には多分途方もなく低い値で同じ値が全馬に返される為順位予測になっていないのが原因で、なぜ予測が出来てないのかが不明です。デバッグに少し時間掛かりそう😓

LightGBMのParameters

学習モデルのチューニングには専門知識が必要かと思いますが、素人的にもあと一歩進みたいと思いながら試行錯誤してます。もともとのサンプルでも指定しているlearning_rateは学習率って事で変えられるように最初からしてました。実はもう1つのParameterがサンプルで指定してるんですが、num_leavesってので分岐(リーフ)数。既定値31で1～131,072らしい。これも変えられるようにしてみました。

新馬戦用は1学習が1分程度なのでこのリーフ数を変えて10回程度を試すのには適してます。しかし、だらかって仮に新馬戦用にリーフ数が50なのが適切だと判断したからと言って通常用や順位予測はまた別。これ、ファクター数に対してリーフ数が影響するって事のようなので、よりファクター数が多い通常用はそれだけ多めのリーフ数が適切になる事は予測されるものの気軽に10回試して確認とかが出来ないのが辛い。まあ、やれる範囲で次の一歩が踏み出せると良いんですけどね。

LightGBMでの学習

昨日の菊花賞は▲→△→◎決着で◎の複勝のみと残念な結果でした。三連複の4頭ボックス程度は買っておけばねぇってのは後の祭り😣

まっ、そんなのを見ながらも色々やってます。先日書いた3つの値を指定する学習ですが、AutoMLやModel Builderも学習する度に得られる学習モデルは違います。これ、機械学習の基本的な部分なのかもだけど、AutoMLは自分でコーディングして実現してるので

MLContext mlContext = new MLContext(seed: 0);

このMLContextの作成時に引数のseedを渡さずにおくとint型の値がランダムに使われるって認識なんですが、デバックの際に毎回同じ動作をさせる時に、このseedに数字を指定するって事だった筈。なのでザックリとプラスマイナス21億なのがint型なのでそんな中でトライアル開始させてモデルの学習がされるので毎回違う結果になっているんだったかと。LightGBMでは

int boosterResult = LGBM_BoosterCreate(dataset, boosterParameters, out booster);

としてるんだけど、こちらはこのboosterParametersにseedの指定がある。こちらもdefault=Noneで指定してませんので多分ランダムなんだと。

って事で、AutoML同様に1サイクルの学習を指定回数回す指定を追加。新馬戦CKは1サイクルも早いので既に50回程度試したかな。最適RMSEは1.6306とかが得られてます。でも、相変わらずRMSEは目安的なのかどうなのかって感じで各モデルを実際に検証(2024.7.1～2024.10.14)で比べてどれを採用するか吟味。現在の候補はRMSE 1.6627の

124R	1点	芝(95R)	ダート(29R)	8頭以下(19R)	9～12頭(42R)	13頭以上(63R)	多点
単勝	32.26% (97.82%)	31.58% (105.26%)	34.48% (73.45%)	52.63% (233.68%)	28.57% (68.57%)	28.57% (76.35%)	52.42% (73.52%)
複勝	55.65% (79.44%)	55.79% (81.68%)	55.17% (72.07%)	63.16% (98.42%)	52.38% (70.95%)	55.56% (79.37%)	83.87% (73.31%)
枠連	10.75% (182.47%)	10.61% (231.21%)	11.11% (63.33%)	-- (--)	14.29% (326.43%)	6.35% (51.75%)	10.75% (98.69%)
馬連	6.45% (161.61%)	7.37% (180.63%)	3.45% (99.31%)	10.53% (70.00%)	9.52% (351.90%)	3.17% (62.38%)	21.77% (103.25%)
ワイド	16.94% (83.71%)	17.89% (91.47%)	13.79% (58.28%)	42.11% (91.58%)	14.29% (108.81%)	11.11% (64.60%)	37.90% (64.38%)
馬単	4.03% (226.45%)	4.21% (245.37%)	3.45% (164.48%)	10.53% (203.68%)	4.76% (462.86%)	1.59% (75.71%)	21.77% (86.71%)
三連複	3.23% (45.08%)	4.21% (58.84%)	0.00% (0.00%)	15.79% (117.37%)	2.38% (80.00%)	0.00% (0.00%)	8.87% (38.21%)
三連単	0.81% (75.40%)	1.05% (98.42%)	0.00% (0.00%)	5.26% (492.11%)	0.00% (0.00%)	0.00% (0.00%)	8.87% (29.60%)
総合	58.06% (116.95%)	57.89% (132.86%)	58.62% (66.39%)	68.42% (186.69%)	54.76% (183.69%)	57.14% (51.27%)	83.87% (52.67%)

これだけ見るとまずまずなモデルではあります。でも、自分本来のスタンスのワイドからって事だと微妙ではあります。通常用CKを今回してる最中なんですが、既に数十回はしてますが、こちらは1サイクルが長い時は1時間半とか掛かるので昨日10回以上回して今朝30回スタートさせたんですがやっと10回程度終わってます。ここまでの最適RMSEは1.3677ですが、

835R	1点	芝(411R)	ダート(389R)	障害(35R)	8頭以下(62R)	9～12頭(255R)	13頭以上(518R)	多点
単勝	23.35% (74.13%)	22.14% (76.23%)	23.39% (70.64%)	37.14% (88.29%)	45.16% (95.32%)	27.45% (68.78%)	18.73% (74.23%)	50.06% (71.52%)
複勝	55.09% (86.72%)	51.34% (83.84%)	58.10% (89.56%)	65.71% (88.86%)	66.13% (81.94%)	66.67% (94.59%)	48.07% (83.42%)	88.14% (84.40%)
枠連	13.23% (100.36%)	11.61% (107.53%)	14.60% (95.04%)	15.79% (75.26%)	-- (--)	14.90% (73.29%)	11.00% (103.03%)	26.32% (82.80%)
馬連	9.46% (64.73%)	7.79% (42.04%)	10.80% (89.72%)	14.29% (53.43%)	20.97% (75.97%)	11.76% (66.90%)	6.95% (62.32%)	19.76% (59.32%)
ワイド	22.04% (80.43%)	19.22% (62.00%)	24.68% (101.72%)	25.71% (60.29%)	45.16% (79.19%)	27.84% (87.96%)	16.41% (76.87%)	43.23% (82.10%)
馬単	4.79% (59.84%)	4.14% (42.58%)	5.14% (79.02%)	8.57% (49.43%)	14.52% (99.03%)	5.88% (60.71%)	3.09% (54.73%)	19.76% (56.32%)
三連複	5.15% (67.86%)	5.11% (54.62%)	4.88% (84.47%)	8.57% (38.57%)	16.13% (53.06%)	9.02% (95.10%)	1.93% (56.22%)	14.13% (72.69%)
三連単	1.32% (67.94%)	1.22% (14.23%)	1.29% (127.30%)	2.86% (38.86%)	6.45% (58.06%)	1.57% (66.67%)	0.58% (69.75%)	14.13% (68.89%)
総合	57.25% (74.80%)	54.01% (59.28%)	59.64% (92.16%)	68.57% (60.80%)	74.19% (77.51%)	66.67% (76.75%)	50.58% (72.57%)	88.62% (69.68%)

それ程インパクトのあるモデルではないですが、RMSE 1.3878の

835R	1点	芝(411R)	ダート(389R)	障害(35R)	8頭以下(62R)	9～12頭(255R)	13頭以上(518R)	多点
単勝	25.51% (81.44%)	24.57% (86.01%)	24.68% (72.11%)	45.71% (131.43%)	41.94% (96.29%)	30.20% (83.33%)	21.24% (78.73%)	51.98% (73.22%)
複勝	57.25% (91.65%)	54.01% (89.90%)	59.13% (92.47%)	74.29% (103.14%)	69.35% (103.39%)	67.45% (100.08%)	50.77% (86.10%)	85.27% (79.74%)
枠連	12.53% (85.57%)	10.71% (86.58%)	13.22% (79.61%)	31.58% (181.58%)	-- (--)	15.69% (82.27%)	9.65% (78.11%)	26.74% (84.45%)
馬連	8.98% (74.10%)	7.06% (75.50%)	9.25% (65.66%)	28.57% (151.43%)	20.97% (76.61%)	12.16% (71.10%)	5.98% (75.27%)	21.68% (83.98%)
ワイド	22.28% (81.78%)	19.71% (71.31%)	22.88% (89.51%)	45.71% (118.86%)	48.39% (90.00%)	26.67% (80.59%)	16.99% (81.39%)	42.63% (77.11%)
馬単	5.03% (68.86%)	3.65% (48.32%)	4.88% (73.88%)	22.86% (254.29%)	12.90% (68.55%)	6.67% (68.78%)	3.28% (68.94%)	21.68% (79.63%)
三連複	5.15% (79.35%)	6.08% (118.22%)	3.60% (41.57%)	11.43% (42.86%)	17.74% (70.81%)	7.45% (49.61%)	2.51% (95.02%)	13.65% (81.54%)
三連単	0.96% (50.54%)	0.73% (73.70%)	0.51% (17.58%)	8.57% (144.86%)	1.61% (21.94%)	2.35% (54.71%)	0.19% (51.91%)	13.65% (89.52%)
総合	58.44% (76.50%)	55.72% (81.07%)	59.90% (66.44%)	74.29% (138.60%)	74.19% (75.37%)	67.45% (73.81%)	52.12% (76.93%)	85.63% (84.65%)

こちらと選択に悩む感じですが、まだ残り20回あるので全く別のモデルが出てくるかも?

追記 2024.10.22.7:35
RMSE 1.3924とそれ程でもない感じだけど

835R	1点	芝(411R)	ダート(389R)	障害(35R)	8頭以下(62R)	9～12頭(255R)	13頭以上(518R)	多点
単勝	23.83% (78.68%)	22.87% (78.32%)	23.39% (77.20%)	40.00% (99.43%)	35.48% (62.74%)	30.98% (86.24%)	18.92% (76.87%)	52.46% (80.05%)
複勝	57.84% (91.37%)	56.20% (92.19%)	58.61% (90.67%)	68.57% (89.43%)	70.97% (87.90%)	66.27% (96.75%)	52.12% (89.13%)	88.98% (82.37%)
枠連	15.32% (112.23%)	16.37% (125.60%)	13.77% (93.80%)	26.32% (227.89%)	-- (--)	18.82% (105.65%)	11.97% (103.55%)	25.91% (81.31%)
馬連	11.38% (111.78%)	12.17% (140.61%)	10.03% (83.01%)	17.14% (93.14%)	17.74% (49.35%)	16.47% (119.57%)	8.11% (115.42%)	21.44% (78.82%)
ワイド	22.75% (89.86%)	22.87% (92.85%)	21.85% (86.76%)	31.43% (89.14%)	41.94% (70.00%)	28.63% (88.63%)	17.57% (92.84%)	42.28% (78.81%)
馬単	5.15% (95.28%)	4.14% (112.65%)	5.40% (74.42%)	14.29% (123.14%)	8.06% (29.03%)	7.84% (78.67%)	3.47% (111.39%)	21.44% (74.74%)
三連複	5.63% (77.80%)	6.33% (101.07%)	4.11% (52.24%)	14.29% (88.57%)	17.74% (56.77%)	8.63% (81.18%)	2.70% (78.65%)	14.97% (94.90%)
三連単	1.32% (88.29%)	0.97% (90.44%)	1.03% (74.60%)	8.57% (215.14%)	3.23% (30.00%)	1.96% (54.27%)	0.77% (112.01%)	14.97% (91.18%)
総合	59.16% (92.82%)	57.91% (103.72%)	59.38% (78.96%)	71.43% (122.20%)	74.19% (55.12%)	67.06% (88.87%)	53.47% (97.48%)	89.10% (86.19%)

なかなかなパフォーマンスかな?

第85回菊花賞

新馬CKと通常CKは今週末に間に合う様に作業して

M4に表示させてます。これ、元々のコーディングとの兼ね合いもあり苦肉の策です。まあ、見比べる事も出来るから良しとしてます。予想は結局自分でしたもので挑む事にしました。まあ、いつもの事ですが😅

早めに投票済ませてコーディング始めようかと思ってます。

LightGBM vs AutoML

機械学習(Machine Learning)で、自動機械学習なAutoMLではトレーナーはいつくか使い分けて最善の学習モデルを導き出してくれる? 使い始めた当初は5つ位用意されたトレーナー全てを使える指定でやってましたが、良い結果なのは大体LightGBMでした。なので時間短縮なのか効率アップなのか、まあ、トレーナーをLightGBMだけにしてここ最近はやってます。ただ、AutoMLが採用しているLightGBMはv3.3.5なんですが、多分来月位にML.NETはVersion 4.0.0が正式にリリースされると思われます。現時点自分のアプリでもPreviewを採用してますが、自分が把握している限りLightGBMは古いまま。

そこでAutoMLでLightGBMだけを使うのであれば、LightGBMで行けば?ってのがこの所のターゲットでした。ただ、まだ現時点ではやっとLightGBMで学習させて予測の検証が出来る様にはなりましたが、ここから更に精度アップで必要なのはパラメーター・チューニングなんですが、ここは多分機械学習の深い理解がないと簡単には出来ないかと😓 その辺りを不要にして自動で行っているのがAutoMLなんだと。AutoMLでは学習時間とその繰り返し数の調整で色々試してきました。結果は運次第的にまちまちなものでした。

LightGBMでは現在

• 繰り返し数
• 学習率
• 早期停止

を指定可能にして色々試してます。繰り返し数は単純に何回学習させるかです。各回の学習でのRMSEを出力させてるんですが、基本的には回数を追う毎にRMSEは低い値になっていきます。で、低くならなくなった回数が早期停止数を超えたら止まる。学習率はまあ単純には多分調節を細かくしているかザックリなのかを調整する値なんだと思います。AutoMLでは学習時間が長ければ良いって事ではないのですが、LightGBMでは回数毎にほぼ進んでいく感じで、まあ、どこかで行き詰って止まるというイメージです。AutoMLでは無謀にも1週間ぶっ通しの学習にも挑んだりしましたか、LightGBMではそれは必要なさそうなのは助かります。

機械学習の素人なので的外れかもですが、ファクター毎に枝を選択していき、良い結果が得られそうな枝を残していくって事なんだと思います。良さそうな枝を選んでも、次に選ぶものから良い結果が得られないと元の枝選択に戻って更に良いものがあるかって感じで深めていくんだと思います。なのでRMSEの値が最初はガンガン小さくなっていき、一定の所まで来ると減るスピードが落ち、減らない時もあり、その後また少しづつ減る的な動きをしてるのでAutoMLと違ってなんか判りやすい。

まあ、問題はその下限の学習モデルを検証してってか、まあ、検証というか実践で良い結果が出る保証はないんだけど、その辺りも確認しながら良いモデルに出会えれば嬉しいですね。

追記 2024.10.18 16:06
2時間までは掛かりませんでしたが、先程5,000回 0.02 20の指定で終わった学習では最適RMSEは1.3973まで来ました。

835R	1点	芝(411R)	ダート(389R)	障害(35R)	8頭以下(62R)	9～12頭(255R)	13頭以上(518R)	多点
単勝	23.83% (74.77%)	24.09% (83.63%)	21.85% (63.26%)	42.86% (98.57%)	38.71% (81.13%)	29.41% (79.14%)	19.31% (71.85%)	51.26% (75.25%)
複勝	55.57% (87.15%)	53.77% (86.91%)	56.04% (86.84%)	71.43% (93.43%)	66.13% (81.29%)	65.49% (96.08%)	49.42% (83.46%)	88.14% (82.98%)
枠連	13.79% (91.52%)	13.69% (104.88%)	13.77% (79.09%)	15.79% (92.63%)	-- (--)	14.90% (77.10%)	11.78% (88.90%)	28.27% (87.44%)
馬連	11.38% (92.19%)	10.95% (100.24%)	11.05% (84.81%)	20.00% (79.71%)	22.58% (56.61%)	13.73% (95.22%)	8.88% (94.96%)	22.87% (77.23%)
ワイド	23.23% (84.61%)	21.65% (75.77%)	23.91% (94.40%)	34.29% (79.71%)	41.94% (61.13%)	27.06% (85.06%)	19.11% (87.20%)	44.31% (77.32%)
馬単	5.87% (74.49%)	4.87% (71.75%)	5.91% (72.75%)	17.14% (126.00%)	16.13% (75.81%)	7.45% (73.53%)	3.86% (74.81%)	22.87% (76.13%)
三連複	4.79% (66.50%)	4.87% (76.67%)	4.37% (58.28%)	8.57% (38.57%)	14.52% (43.39%)	5.88% (40.31%)	3.09% (82.16%)	14.01% (67.87%)
三連単	2.16% (135.16%)	2.43% (116.03%)	1.29% (154.70%)	8.57% (142.57%)	6.45% (77.10%)	3.14% (69.33%)	1.16% (174.52%)	14.01% (65.36%)
総合	56.89% (88.24%)	55.23% (89.13%)	57.33% (86.83%)	71.43% (93.98%)	70.97% (68.06%)	65.88% (76.97%)	50.77% (94.73%)	88.50% (71.18%)

これと新馬CK用の最適RMSEが1.6487だった

124R	1点	芝(95R)	ダート(29R)	8頭以下(19R)	9～12頭(42R)	13頭以上(63R)	多点
単勝	30.65% (90.97%)	31.58% (100.74%)	27.59% (58.97%)	47.37% (222.11%)	23.81% (56.90%)	30.16% (74.13%)	52.42% (74.95%)
複勝	54.03% (75.08%)	54.74% (75.89%)	51.72% (72.41%)	63.16% (91.05%)	42.86% (52.86%)	58.73% (85.08%)	83.87% (71.37%)
枠連	9.68% (58.82%)	12.12% (72.88%)	3.70% (24.44%)	-- (--)	14.29% (93.33%)	4.76% (24.60%)	9.68% (50.04%)
馬連	9.68% (58.63%)	11.58% (67.89%)	3.45% (28.28%)	31.58% (164.74%)	7.14% (54.05%)	4.76% (29.68%)	20.16% (61.02%)
ワイド	18.55% (52.74%)	21.05% (61.47%)	10.34% (24.14%)	52.63% (109.47%)	19.05% (75.95%)	7.94% (20.16%)	40.32% (55.54%)
馬単	6.45% (81.37%)	8.42% (106.21%)	0.00% (0.00%)	26.32% (381.05%)	4.76% (55.00%)	1.59% (8.57%)	20.16% (58.01%)
三連複	2.42% (15.24%)	3.16% (19.89%)	0.00% (0.00%)	15.79% (99.47%)	0.00% (0.00%)	0.00% (0.00%)	12.10% (50.85%)
三連単	1.61% (98.71%)	2.11% (128.84%)	0.00% (0.00%)	10.53% (644.21%)	0.00% (0.00%)	0.00% (0.00%)	12.10% (43.31%)
総合	54.84% (66.69%)	55.79% (79.48%)	51.72% (26.04%)	68.42% (244.59%)	42.86% (48.51%)	58.73% (30.28%)	83.87% (51.66%)

を使って順位予測CK学習用CSVを出力させて学習モデルがどこまで行けるか。ただ、まだそのコーディングはこれからですけどね😉

LightGBM v4.5.0の実力

苦戦していたLightGBMのC APIでのテストがやっと出来る様になりました。いや、躓いていた原因は単に自分のポカで、ブースター名のコピペで別のブースター名にしてたのでリード違反が発生してました。

現時点で新馬戦CK用ブースターの最適RMSEは1.6836で

124R	1点	芝(95R)	ダート(29R)	8頭以下(19R)	9～12頭(42R)	13頭以上(63R)	多点
単勝	26.61% (83.23%)	27.37% (87.16%)	24.14% (70.34%)	26.32% (103.68%)	21.43% (57.86%)	30.16% (93.97%)	58.87% (88.31%)
複勝	50.81% (72.10%)	53.68% (74.42%)	41.38% (64.48%)	57.89% (81.05%)	42.86% (58.81%)	53.97% (78.25%)	86.29% (75.27%)
枠連	10.75% (111.61%)	15.15% (157.27%)	0.00% (0.00%)	-- (--)	16.67% (162.14%)	4.76% (56.67%)	10.75% (118.50%)
馬連	8.06% (86.94%)	10.53% (113.47%)	0.00% (0.00%)	15.79% (97.89%)	11.90% (125.24%)	3.17% (58.10%)	25.81% (126.85%)
ワイド	18.55% (65.97%)	21.05% (78.63%)	10.34% (24.48%)	36.84% (96.32%)	21.43% (73.81%)	11.11% (51.59%)	43.55% (66.45%)
馬単	4.03% (60.73%)	5.26% (79.26%)	0.00% (0.00%)	5.26% (48.95%)	7.14% (109.05%)	1.59% (32.06%)	25.81% (113.60%)
三連複	2.42% (15.24%)	3.16% (19.89%)	0.00% (0.00%)	15.79% (99.47%)	0.00% (0.00%)	0.00% (0.00%)	11.29% (54.15%)
三連単	0.00% (0.00%)	0.00% (0.00%)	0.00% (0.00%)	0.00% (0.00%)	0.00% (0.00%)	0.00% (0.00%)	11.29% (41.89%)
総合	51.61% (60.37%)	54.74% (73.05%)	41.38% (20.09%)	63.16% (75.34%)	42.86% (73.36%)	53.97% (46.33%)	86.29% (67.01%)

これに対してAutoMLでの新馬戦CK用学習モデルの最適RMSEは1.9544で

124R	1点	芝(95R)	ダート(29R)	8頭以下(19R)	9～12頭(42R)	13頭以上(63R)	多点
単勝	25.00% (90.08%)	26.32% (102.95%)	20.69% (47.93%)	31.58% (231.58%)	21.43% (51.90%)	25.40% (72.86%)	45.97% (58.92%)
複勝	53.23% (89.27%)	54.74% (95.26%)	48.28% (69.66%)	57.89% (111.05%)	47.62% (68.57%)	55.56% (96.51%)	83.87% (69.68%)
枠連	12.90% (126.88%)	16.67% (160.15%)	3.70% (45.56%)	-- (--)	16.67% (126.19%)	7.94% (103.17%)	12.90% (74.20%)
馬連	8.87% (84.84%)	10.53% (80.42%)	3.45% (99.31%)	10.53% (40.00%)	14.29% (129.52%)	4.76% (68.57%)	17.74% (56.80%)
ワイド	16.94% (54.27%)	17.89% (51.16%)	13.79% (64.48%)	42.11% (81.58%)	21.43% (78.10%)	6.35% (30.16%)	33.87% (59.57%)
馬単	4.03% (91.21%)	4.21% (68.84%)	3.45% (164.48%)	5.26% (35.26%)	4.76% (117.38%)	3.17% (90.63%)	17.74% (51.73%)
三連複	4.84% (75.24%)	4.21% (45.16%)	6.90% (173.79%)	10.53% (65.79%)	4.76% (72.38%)	3.17% (80.00%)	12.10% (56.53%)
三連単	1.61% (304.03%)	1.05% (140.32%)	3.45% (840.34%)	0.00% (0.00%)	2.38% (317.38%)	1.59% (386.83%)	12.10% (50.74%)
総合	54.84% (114.08%)	56.84% (90.37%)	48.28% (189.43%)	68.42% (80.75%)	47.62% (120.18%)	55.56% (116.09%)	84.68% (54.97%)

最適RMSEだけでは判断しづらいパターンだと思いますが、LightGBMはブースターをもう少しテストしていくと結果は違ってくる可能性がありそうです。通常用と順位予測のブースターも可能にしてトータルでの結果も出せる様にしたいですね。

追記 2024.10.18 7:09
夜勤明け帰宅後に昨日途中だった通常用検証メソッドを仕上げました。通常用CKブースターはまだ1つだけ試しに行ったもので最適RMSEは1.4225で

835R	1点	芝(411R)	ダート(389R)	障害(35R)	8頭以下(62R)	9～12頭(255R)	13頭以上(518R)	多点
単勝	25.87% (82.59%)	26.28% (86.52%)	24.94% (79.33%)	31.43% (72.57%)	37.10% (70.65%)	31.37% (82.04%)	21.81% (84.29%)	51.62% (69.25%)
複勝	57.60% (90.90%)	55.96% (89.37%)	58.10% (91.80%)	71.43% (98.86%)	66.13% (86.29%)	66.27% (98.55%)	52.32% (87.68%)	86.47% (81.44%)
枠連	13.51% (81.14%)	12.80% (82.41%)	14.05% (78.68%)	15.79% (105.79%)	-- (--)	15.29% (75.22%)	11.20% (75.44%)	28.69% (77.12%)
馬連	9.58% (62.86%)	9.73% (64.31%)	8.74% (61.13%)	17.14% (65.14%)	19.35% (53.06%)	12.94% (72.43%)	6.76% (59.32%)	22.51% (69.85%)
ワイド	23.95% (86.86%)	22.87% (73.58%)	23.65% (100.67%)	40.00% (89.43%)	46.77% (82.10%)	29.80% (100.78%)	18.34% (80.58%)	43.95% (79.50%)
馬単	5.27% (64.02%)	4.38% (58.83%)	5.40% (65.35%)	14.29% (110.29%)	11.29% (56.61%)	7.45% (65.18%)	3.47% (64.34%)	22.51% (65.38%)
三連複	5.39% (84.25%)	6.08% (135.06%)	4.11% (31.26%)	11.43% (76.57%)	17.74% (59.19%)	8.24% (50.51%)	2.51% (103.86%)	14.73% (91.74%)
三連単	1.32% (188.65%)	1.46% (352.82%)	0.77% (23.06%)	5.71% (101.14%)	4.84% (36.13%)	2.35% (38.31%)	0.39% (280.91%)	14.73% (77.21%)
総合	59.28% (92.86%)	57.91% (118.69%)	59.38% (66.31%)	74.29% (89.02%)	72.58% (63.43%)	66.67% (72.88%)	54.05% (104.55%)	86.83% (76.39%)

AutoMLでの最適RMSEは1.3376で

835R	1点	芝(411R)	ダート(389R)	障害(35R)	8頭以下(62R)	9～12頭(255R)	13頭以上(518R)	多点
単勝	24.79% (75.62%)	23.84% (79.37%)	24.42% (69.07%)	40.00% (104.29%)	41.94% (80.32%)	29.41% (78.98%)	20.46% (73.40%)	53.29% (77.49%)
複勝	55.81% (83.83%)	51.09% (77.03%)	59.90% (90.75%)	65.71% (86.86%)	61.29% (71.61%)	60.78% (86.20%)	52.70% (84.13%)	89.58% (80.71%)
枠連	13.37% (99.69%)	12.50% (97.56%)	13.77% (95.92%)	21.05% (209.47%)	-- (--)	14.12% (92.39%)	11.58% (92.70%)	26.60% (79.52%)
馬連	9.70% (68.13%)	8.27% (56.93%)	10.28% (78.48%)	20.00% (84.57%)	24.19% (77.10%)	12.16% (70.55%)	6.76% (65.87%)	20.72% (64.64%)
ワイド	21.08% (71.86%)	21.41% (68.15%)	19.28% (75.01%)	37.14% (80.29%)	50.00% (90.97%)	23.14% (68.55%)	16.60% (71.20%)	41.80% (75.88%)
馬単	4.79% (54.63%)	4.14% (43.45%)	4.37% (59.07%)	17.14% (136.57%)	14.52% (73.23%)	6.27% (66.39%)	2.90% (46.62%)	20.72% (63.59%)
三連複	5.63% (70.68%)	6.33% (80.68%)	4.37% (61.34%)	11.43% (57.14%)	14.52% (38.87%)	7.06% (57.61%)	3.86% (80.93%)	14.97% (69.54%)
三連単	1.56% (34.90%)	1.70% (33.87%)	1.29% (33.32%)	2.86% (64.57%)	3.23% (22.90%)	2.35% (30.55%)	0.97% (38.47%)	14.97% (74.96%)
総合	57.72% (69.39%)	53.77% (66.42%)	60.93% (70.16%)	68.57% (96.52%)	70.97% (65.00%)	61.96% (68.90%)	54.05% (69.17%)	90.18% (73.26%)

これ見ると随分と検討している感じはします。どちらも更に学習何度か試してみる価値は十分にありそうだし、順位予測も頑張って進めなきゃなんですが、これはそもそもこのブースターの結果をCSV出力して学習させなきゃなのでちょっと時間掛かりそう😔

機種変更前のiPhoneを処分

以前iPhone 6s→Xsの時にも古いiPhoneを買取に出しましたが、今回も昨日ヤマト運輸が回収に来てくれ、本日午前中に到着したメールが入り、少し前に査定完了との事で、

• iPhone Xs Max 256GB 27,500円
• iPhone Xs 64GB 14,400円

合計41,900円でした。ちょっと失敗したのはACアダプターもケーブルもあるのに一緒に送り忘れた。iPhone16ではUSB-Cだからケーブルは使い物にならないのに大失敗。これで付属品不足で減額されてるんですよね。ACアダプターは使えますが、まあ、暇な時にどこかで売り飛ばそうかな。

ああっ、で、承諾処理したらあまり時間かからずに振り込まれた。早いなぁ、2日掛からずに終わるなんて。

機種変更後の苦労

機種変更をする前に本来色々としておく必要があった事をしていなかった為にちょっと面倒な事になってたりします。iPhone16 Pro Max自体はXs Maxよりも少し大きい程度、重さは体感出来る差はないです。スマホケースは若干違いますが、何となくホールドはちょっとだけしやすくなった感じ。画面は明らかに綺麗になった。

まず、金融機関のワンタイムパスワードアプリが本来機種変更前のスマホでログインしてる状態でする事があったようだ。これせずに既にXs Maxは初期化して買取に出してしまってたので、本日態々口座のある支店に出向いて解除要請して帰宅後に再度登録。まあ、こちらは復活したので使えます。

先週末機種変更後に自宅ドアのスマートコントロールキーアプリを設定しなおしたんですが、これがダメ。今朝夜勤明けで帰宅し、アプリ起動すると鍵がかかった状態だと出るのは良いのですが、解錠ボタンを押すとエラーに😰 娘のスマホに管理用アプリが入っていて説明通りにしてあったと思うんだけど、一度削除して入れ直しかなぁって色々やってたんですが、そもそも再度入れるのに管理用アプリが必要との事で夜勤では娘と顔合わす時間も限られているので週末まではリモコンキーを利用する事に。

自分の車のナビはってか車自体19年も乗ってるやつでシガーライターにBluetooth接続してFMで再生音楽を飛ばせる様にしてるんですが、これもまだ設定してなくて昨夜出勤時に気が付き、これは問題なく音楽が聴ける状態にはなりました。

機種変更なんて本当にするものじゃないと感じてます。

深刻な状況

自分のミスを含めどん底です。

回収率55.8%程度です。半分しか取れてないとかなんですが、それもなんですが、俺プロでも散々な結果になってます。理由は分かりませんが、自分のミスからの投票漏れでこれよりはちょっとだけ良い筈ではありますが、誤差?(プラス6,000円程度)です。

ちょっと今はオッズ表示の再設計とコーディングしててもう少し掛かりそうなんです。さらだのVersion 1.8.0は無事(?)に通過してJRA-VANに承認されて公開になりましたが、早々にオッズ表示のコーディング終わらせて、次は多分Version 1.8.5的に変更申請になると思います。

iPhone 16 Pro Max

やっと届きました。昨夜飲み会で若干寝不足ですが、投票は早々に済ませて昼少し前にクイックスタート開始して2時近くまで掛かりましたが一連の処理は完了しました。docomoのeSIMは妻のiPhone 16で一度体験してるのでスムーズに行くと思いきやXs MaxのMy docomoアプリからサファリに飛んでonline shopに入ってもうどこだったか忘れましたが「ページを開けません。多くのリダイレクトが発生しています」となり処理を出来ず、PCのブラウザーで処理。

しかし、妻のiPhone 16の時と違い、そもそもクイックスタート途中でiOS 18.0.1へのアップデートだと思うけど入って若干戸惑わされたり、再スタートとなったクイックスタートにXs Maxが反応しなかったり、間違ってもスムーズとは言い難い移行処理でした。クイックスタートで移行元にiPhone 16 Pro Maxとの接続設定する丸いもやもやの画像を読ませるのも一度目は問題なかったのに再スタートでは画像を認識せず、手動で数字を入れて続行するしかなかった。

更に自分のはデュアルシムで楽天モバイルも入ってるのでそのeSIMも処理するのに楽天モバイルの方も色々探しながらどうにか済ませました。

先月22日購入してあった500円(1,000円なんですが50%offクーポン使用)のガラスフィルムも最初は気泡が残り一生懸命に押し出しでどうにか綺麗に行き、ショルダーストラップ付のケースは1,683円(1,980円にクーポン利用)も特に問題なくフィットしました。

まあ、このショルダーストラップを使うかどうかは微妙だけど、ズボンのポケットで若干かさばる感じがするので購入しておいた。デザートチタニウムなんですが、価格.com辺りの口コミで色が残念的な方もいましたが、自分的には別に普通です。

189,800円。Xs Maxは17万円超えだったと記憶してますが、iPhoneは本当に高いです。Xs Maxは6年使いましたが、こいつは更に長く使える事を期待したいです。

追記 2024.10.14 11:00
楽天モバイルは機種変更処理完了しているつもりだったのですが、今朝設定からモバイル通信確認すると楽天モバイルのeSIMが未実装的な表示で、慌ててもう一度確認しながら処理進めて完了し、今度はモバイル通信にも2つeSIMが入っているのが確認出来、共に「オン」となりました😄

第29回秋華賞

LightGBMのコーディングで躓いてます。単純な予測をする部分でLightGBM側でメモリアクセス違反がってポインターが不適正なのか何かが違っているんだと思うけどデバッグが非常にしづらい。そんな作業もしながら競馬も三連戦で朝からちょっとスマホで友人との連絡確認してたらギリギリになり、まあ、そこから一気に24R予想を俺プロに入れたり投票したりで...やらかしました😱 24R中新潟6Rの投票が済んでませんでした。

先週末は1つも当たらなかった三連単なんですが買っていれば当たってたorz 買いもれしないように表示させてるのに情けないです。

AI予想ではほぼガチガチなのでまた超大穴狙いで

3頭は全て二桁人気😁

夢馬券です。

ああっ、オッズ表示がグズグズでそもそもフォームから作り直し始めましたが面倒だorz

.NET9

Copilotが急に変わってますね。頻繁に使ってるので多分ここ数日で変わったんだと思います。ってか、もしかしてEdgeからCopilotを呼び出してるんですが、そこが変わった可能性もありますね。確かEdgeが新しくなりました的なのを昨日とか少し前に見たので。

まあ、なんにしても、.NET9のリリース時期をCopilotに問うと11/12だというのであと1カ月後に迫ってきてますが、ただ茫然と待つのもなんだし、かといって苦労してコードディングしてデバックしてとかも...悩むところです。ただ、仮に.NET9がリリースされてML.NETが正式にVersion 4.0.0とかになったとしてもLightGBMが新しいバージョンに更新される保証もないので、ここは無駄覚悟で特攻するしかないとは思います。

若い頃とかって話をすると微妙ですが、色々と覚えも悪いし、頭の回転も鈍くなってるのは否めません。AutoMLも苦労してどうにか使えるようになりましたが、LightGBMのC APIからの使い方がなかなか把握しきれないしCopilotには微妙な回答で苦労もさせられ、これが使えるものになるのにどの程度の期間が掛かるかが心配です。珍しく今週末は仕事が三連休なのでここで一気に進めたいですが、競馬もある😓 誰も助けてはくれないのでやれるだけの事はやるしかないですね。結果的に報いがあればいいのですがねぇ。

相変わらず低迷

ドタバタと10月がスタートした先週でした。オッズマスターズが始まってると勘違いしてかなり損しました。本来のスタートは昨日からで

回収率60%は全くダメだ。本来ちょっと手を加える予定でしたが24H2のクリーンインストールからのさらだ全画面修正。実はダークモードも入れる予定でしたがってか入れたんですが隠してます。ちょっと微妙なコントロールとかもあり、対処面倒そうだったので保留です。予想精度アップの方が急務との判断からです。

この際なんで、ちょっとカッコ悪いとかスマートじゃないってのは気にせずに機能させられる方向を考えていきます。JV-Linkが64bit化されていればこんな苦労はしないのですがねぇ。

Windows11 24H2

リリース自体は昨日だった様ですが、本日夜勤から帰宅後にISOダウンロードしてRufus使ってUSBメモリに入れてクリーンインストールしました。

若干躓きながらもインストールを終え、M/B関連のドライバーなども入れ終えても音が出ない。散々苦労させられましたが、モニターとして接続しているテレビ側の音声入力設定が不完全だったようで...何もいじってないので以前のままで入力受けてくれれば問題無いはずなんですが、ちょっと不可解ではありますが無事に音がました。

必要なアプリやツールを順位入れていきます。なので、ちょっと余分な作業に時間度れるので本来の作業が後回しになる😔

追記 2024.10.3
もう6年超えたこのPCには最初から4Kモニターを使ってました。当初は31.5インチのAcer製で、2年前に現在のLG製43インチ4Kテレビに変えました。どちらにしても4Kでは標準のままでは文字が小さくて、でも、Windows11のクリーンインストールではデフォで拡大/縮小が300%とかが推薦で設定されます。それじゃ4Kがもったいない状態になるのでこれまで150%で利用してきました。しかし、もうさらだ開発当初からこの150%でVisual Studioのフォームデザインしていると微妙な感じで、他の解像度のマシンに行くと酷いというのも認識してました。今回のクリーンインストールでは少し変えてみました。

素のままな100%にすればその辺りが改善されるかと。しかし、当たり前ですがそれでは文字が小さくて困るので、

テキストのサイズを150%としてみました。これでもEdgeでのWeb表示が小さくて

ズームを125%にしてどうにか落ち着きそうです。この設定でさらだの全てのフォームの調整を進めていこうかと思います。かなりの量なので地道に行きます。

追記 2024.10.3 16:30
毎度毎度クリーンインストールしてからやるのはスムーズにWindowsにログインして使えるようにするんですが、頻繁にする訳じゃないので方法忘れます。直前のインストールでは最終的に出来てたのになにかのアップデート後だったか無効になったので再度試みて撃沈orz 毎回ユーザー選択からのPIN入力へとしてしまってまして、まあ、そのうち24H2でクリーンインストールだからって放置してましたので、今回改めて設定しなおす。
そのメモとしてまず、メニューから「設定」選択して「アカウント」。アカウントの設定に「ユーザーの情報」ってあるのでこれ開く。

ここに「ローカルアカウントを使用」だったかが表示されますのでクリックするとユーザー名とパスワード設定をする。これすれば、上記の様に変わります。レジストリーエディターでパスワードレスの設定(\HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows NT\CurrentVersion\PasswordLess\Device\DevicePasswordLessBuildVersionの値を0)をしてから再起動。netplwizでパスワード無設定をすれば可能になる。

やはりLightGBMは32bitではNG

LightGBMのC API利用した機械学習のサンプル的なアプリを作り、どうにか動くものにしました。AutoMLを利用したり、Model Builderを利用した場合には、学習モデルのファイルをセーブして単にその学習モデルを32bitアプリでロードして利用は出来ました。しかし、LightGBMでブースター(LightGBMでの学習モデルの呼び方がそんな感じなんだと理解したが、違うかも?)学習させてセーブして、それをロードして予測させるにはやはり64bit環境が必要な感じです。まつり、さらだから利用するには機械学習させるのも予測させるのも別アプリにする必要があり、アプリ間通信的な以前ちょっとかじった方法が必要になるかも。JV-Linkさえ64bit化されればこんな苦労しなくて済みそうなんだけどorz

ここまでAutoMLのShinbaTimeCK.csvからはRMSEとして1.9544が最適最高値なんですが、今回のテスト的なLightGBMではあっさり1.7未満とか出たりしたので、このモデルの検証をしたいんですが、どこまでやれるかが...

追記 2024.10.1 16:45
AutoMLやModel Builderとの圧倒的違いは学習時間だと思う。まだ新馬戦のみだけど、比較して圧倒的に短時間で終わる。今、通常用CKの学習試してるけど、そもそも学習データファイルが1.27GBと大きい為、準備段階でも新馬戦用とは比較にならない位時間掛かって一瞬ダメか?って思う位でしたが準中に学習させてますし、なかなかいいテンポで進んでます。SouhaTimeCK.csvのRMSEの最適最高値は1.3376ですが...ここまで30分程度で400回程学習進んでまして1.431865とかまで来てます。一応1,000回まで学習する指定にしてるので最大でも後30分程度で終わる時点でどこまでいけるのか。
待っている間にCopilotに質問ぶつけてみたらLightGBMのbooster.SaveModelで保存すればMicrosoft.MLのmlContext.Model.Loadで読んで利用可能って言ってるのでちょっとそれを近日試そうかと思います。

追記 2024.10.2 8:47
夜勤明け帰宅後、早速ちゃちゃっとLightGBMのブースターをMicrosoft.MLで読めるか試しましたが予想通りNG。Copilotはなぜ簡単に嘘をつくのか不思議でならないです。それでもそれなりに助かる部分もあるので利用してるんですがね😓
次の手段としては多分プロセス間通信でやり取りして予測結果も出すようにする必要があるなぁ。これはマジでやりたくない方法なんですがどうしようか悩みます。