はてなブックマーク

また、決定木とランダムフォレストの実装にはscikit-learn23を使いました。パラメータの決定方法はグリッドサーチで行ないました。決定木は $ max_depth \in {1, 2,…, 7} $ 、 $ min_samples_leaf \in {2, 4, 6,…, 20} $ 、 $ max_leaf_nodes \in {2, 4, 6,…, 50} $ 、ランダムフォレストは $ max_feature \in {1, 2, 3,…, 14} $ 、$ max_leaf_nodes \in {2, 4, 6,…, 50} $ の探索空間に設定しました。また、ランダムフォレストの決定木の数は100に設定しました。 ベースラインの評価 評価のベースラインとして、今回も過去記事と同様に単勝人気順位のTop-N Boxの評価を使います。評価値は以下の通りです。 ---- Top-

第7回目の理論記事では競馬をどのように機械学習問題に落とし込むのか、また学習した予測モデルの性能評価方法について説明していきます。 教師あり学習と教師なし学習 機械学習の問題は**教師あり学習（Supervised Learning）と教師なし学習（Unsupervised Learning）**の大きく2つに分類されます1。 教師あり学習とは、特徴ベクトル $ \mathbf{x}_i $ に対する望ましい応答 $ y_i $ の組 $ {(\mathbf{x}_i, y_i) } $ を訓練データとして与え、それをガイドにして関係 $ y = f(\mathbf{x}) $ を学習をします。そのようにして得られた予測モデル $ f $ に未知の特徴ベクトルを与えることで未来の現象を予測します。予測モデル $ f $ は、線形モデル、ニューラルネットワーク、決定木、サポートベクターマシン

第3回の記事では競馬のデータ解析をするために必要なデータ収集の選択肢とその特徴について書いていきます。 データ元の重要性 データ解析をする上で対象となるデータは全ての根幹です。 データ提供サービスによって扱っているデータの種類や更新タイミング、信頼性は異なります。どんなに優秀なアルゴリズムを作ったとしても、無い情報からは何も予測できないですし、間違った情報からは間違った答えしか導けません。 また適しているデータ取得先は、その人の実現したい目的によって変わります。遊びでデータ解析したい人ならばなるべく手軽で最低限のデータが取得できる方法を選ぶべきですし、本格的に毎週運用していきたいのであれば多少手間がかかる方法だとしてもデータの種類が豊富なデータ元を選ぶべきでしょう。 今回はデータ取得先として「JRA-VAN DataLab.」「netkeiba.com」「JRDB」の3サービスを紹介します