この記事では、競艇(ボートレース)のAI予想で「なぜ機械学習だけじゃダメなの?」「データが少ないとどうするの?」という方のために、以下の内容をまとめています。
- 機械学習が苦手とする 3 つの領域
- 統計学的なアプローチが果たす役割
- 「事前の知識」で補う考え方を直感的に説明(数式ナシ)
- グループの傾向で「サンプル不足」を補う仕組み
- 機械学習と統計学、それぞれの役割
第 1 回「AI予想とは何か」で書いた「AI予想を支える 2 つの技術(機械学習・統計学)」のうち、統計学の側を深掘りする記事です。 第 2 回の「4 つの AI モデルブレンド」と合わせて読むと、BOATCRAFT の AI 予想の全体像が見えてきます。
機械学習が苦手な 3 つの領域
機械学習は、過去の大量のデータから学ぶ仕組みです。データが多ければ強い。逆に言うと、データが少ない領域では弱い。
機械学習が苦戦しやすい代表的な場面は次の 3 つです。
領域 1: 新人選手の予測
競艇には、毎年、養成所を出た新人選手 (養成所卒業組) がデビューします。彼らのレースデータはまだほぼゼロ。
機械学習は「過去データに似たパターンを探す」のが基本。データがなければ、似たパターンも探せない。データが少ないぶん、予測のぶれは大きくなります。
「あの選手は養成所で優秀だった」という情報があっても、それは過去のレース結果には反映されていない。機械学習は使えるデータしか見ないので、こういう「外部情報」を取り込めません。
領域 2: 開催初日の予測
競艇は 1 節 (1 開催) が数日続きます。1 日目は 「ぶっつけ本番」。
選手・モーター・ボートの組み合わせがその節で初めて走る。過去にこの組み合わせのデータがない。
開催初日は、その節の中での走りがまだ無いので、直近の成績はその前の節までの走りで見ることになります。1 日目は、その節の材料が少ないぶん、見立てが難しくなりがちです。
領域 3: マイナー会場のレアな組み合わせ
たとえば「桐生 × 6 コース × 体重 56 kg 以上の選手」みたいな細かい条件。データを絞り込んでいくと、1999 年以降のデータでも、ごく少ない事もあります。
機械学習は「サンプル数が少ない条件下では過剰反応する」傾向があります。細かい条件に絞るほど、数件の偶然の結果に引っぱられやすくなります。
共通する問題: サンプル不足
3 つの領域に共通するのは 「サンプルが少ない」 こと。
機械学習はデータドリブンなので、サンプル不足には弱い。データが少ない所の見立てが難しいのは、どのモデルにも共通する悩みです。
統計学的なアプローチ
統計学は 100 年以上の歴史を持つ、データ分析の古典的な学問です。サンプルが少なくても、なんとか答えを出す技術が体系的に発展してきました。
機械学習の弱点を補う、代表的な統計学的アプローチを 3 つ紹介します。
アプローチ 1: 「事前の知識」で補う
「事前の知識」と「観測されたデータ」を組み合わせて確率を更新する考え方です。
新人選手の予測なら、「同じ養成所出身の若手選手の過去傾向」を事前知識として使い、わずかな初動データで確率を計算する。
これは機械学習にはない発想です。機械学習は「データのみ」を見ますが、この考え方は「データ + 事前知識」を組み合わせます。
アプローチ 2: グループの傾向で補う
「選手は属性のグループに属している」という構造を活かす考え方です。
ある新人選手のデータが 5 件しかなくても、「同じ年齢・同じ支部・同じ級別」の選手たち の傾向は数百〜数千件のデータがある。この考え方は、その「上位グループの傾向」から個人の予測を補完します。
アプローチ 3: 市場の織り込みを逆算する
オッズ (賭けの倍率) から 「市場が見ている勝率」を逆算する 古典的な考え方です。
機械学習が「過去データからの予想」を出すのに対し、この考え方は「今この瞬間の市場の判断」をモデル化します。両者のずれは、人気と見立ての違いを見比べる材料になります。
この 3 つが、機械学習の弱点を補う統計学的な考え方です。
「事前の知識」で補う考え方 ─ 直感的に理解する
統計学と聞くと、中身は難しそう、というイメージが強いかもしれません。ここでは数式は一切使わず、直感的に説明します。
例: 新人選手 A の 1 コース勝率を推定する
ある新人選手 A が、デビューから 1 ヶ月で 1 コース から 5 回出走、1 着 2 回取ったとします。
単純に計算すると、1 コース勝率 = 2 / 5 = 40%。
でも、これは正しいでしょうか。
機械学習の答え
機械学習は素直に「40%」と返します。それが過去データだから。
でも 5 件しかないデータで「40% の選手」と決めつけるのは早計です。直感的にも、5 試合だけでは、本当の力が 40% より大きく上にも下にもずれている事が、十分ありえます。
統計的な答え
まず「事前の知識」を考えます。
「同じ年齢・同じ支部・同じ級別」の 新人選手たち の平均 1 コース勝率は、過去データから 35% だったとします。これが「事前確率」。
次に、その新人 A の実データ (5 回中 2 勝) を組み合わせる。
「事前確率 35% とデータの強さ」 を組み合わせて更新します。データが少ない (5 件) なら事前確率に近く、データが多ければ実データに近づく。
具体的には、こんな感じ:
| サンプル数 | 単純計算 | 統計的な補正後 (事前 35%) |
|---|---|---|
| 5 件 (2 勝) | 40% | 約 37% |
| 20 件 (8 勝) | 40% | 約 38% |
| 100 件 (40 勝) | 40% | 約 39.5% |
| 500 件 (200 勝) | 40% | 約 39.9% |
データが少ない時は事前知識 (35%) に引きずられ、データが増えるほど実データ (40%) に収束する。これが統計的な補正の正体です。
なぜこれが効くのか
5 件だけで 40% と決めつけると、本当の力を高く見すぎるおそれがあります。この考え方なら、データの量に応じた評価ができます。
これが、データの少ない相手を見る時の統計の一般的な考え方です。
グループの傾向で補う考え方 ─ サンプル不足を補う技術
ここまでの考え方をさらに進化させたのが、「グループの傾向」を活用する手法です。
階層構造の例
競艇選手のデータには、以下のような階層があります:
全選手 (約 1,600 人)
├── 級別 A1 (約 320 人)
│ ├── 支部 福岡
│ │ ├── 年齢 30 代
│ │ │ └── 選手 X
│ │ └── 年齢 40 代
│ │ └── 選手 Y
│ └── 支部 大阪
│ └── ...
├── 級別 A2
└── ...
ある選手のデータが少なくても、その選手が属するグループ (級別 × 支部 × 年齢) の傾向は豊富なデータで分かります。
グループを使った考え方
この考え方は、選手の予測を以下のように分解します:
選手の真の実力
= 全体の平均
+ 級別による偏り
+ 支部による偏り
+ 年齢による偏り
+ 選手個人の偏り
各層の偏りを別々に推定して、最後に合成する。
選手個人のデータが少ない場合は、上位層 (級別・支部・年齢) の偏りで補う。データが豊富な選手なら、上位層の影響は薄れ、本人の実データが支配的になる。
新人選手への適用
新人選手 A について、この考え方での推定はこうなります:
| 情報 | 寄与度 |
|---|---|
| 全選手の平均 1 着率 | 約 17% (1/6) |
| 選手 A の級別 (B2 デビュー) | -3% (B2 は平均より低い) |
| 選手 A の支部 | +1%(例) |
| 選手 A の年齢 (24 歳) | +2% (新人は伸び盛り) |
| 選手 A 本人の 5 件のデータ | +5% (5 件で 1 勝なら平均より良い) |
| 合成 | 約 22% |
これで、データが少ない選手でも合理的な推定が出ます。
機械学習も、級別や年齢のような手がかりから傾向を学べますが、データがほとんど無い所では見立てがぶれやすくなります。統計学のメソッドで補うことで、極端に偏った推定を避けることを目指す考え方です。
これが「グループの知恵」の活用法です。
機械学習と統計学、それぞれの役割
ここまで紹介した「事前の知識で補う」「グループの傾向で補う」「市場の織り込みを逆算する」という 3 つのアプローチは、 いずれも機械学習が苦手とする「データが少ない場面」を、別の切り口から支えるための一般的な統計的発想です。
BOATCRAFT のアプリでは、2 つの予想を並べて出しています。1 つは AI 予想エンジン「テトラ」で、4 つの AI モデルの予測を重み付けして統合し、各艇が 1 着になる確率を出します。もう 1 つは「つまみで組む予想」(統計モデル)で、選手やモーターの成績などの数を、つまみの重みで足し合わせて並べます。テトラの直近 10 走の成績には、今節のそれまでのレースも入ります。
その会場・そのコースを走った記録が無い選手の C率などは、同じレースのほかの選手の平均として扱います。会場での記録が少ない選手が気になるレースでは、「C率」「当地」のつまみ(無料)を下げると、記録の差がつまみで組む予想の並びに効きにくくなります。つまみのうち 16 本は、動かした分だけテトラの % にも入ります。
まとめ
長くなりましたが、ポイントを 5 つにまとめます。
- 機械学習はデータが多い領域で強い。少ない領域は苦手 (新人選手・開催初日・レアな組み合わせ)。
- 統計学的な 3 つのアプローチ(事前知識・グループの傾向・市場の織り込み) がこの弱点を補う。
- 事前知識で補う考え方 = 事前知識とデータを組み合わせて、サンプルが少なくても合理的な推定を出す。
- グループの傾向で補う考え方 = 選手の属するグループの傾向で、個人データの不足を補う。
- 機械学習と統計学を組み合わせるという考え方は、データが少ない場面でも極端に偏らない予測を目指す考え方です。
BOATCRAFT の 23 つまみは、23つまみ完全ガイドで全部実名で解説しています。各つまみがどの場面で効くのか、どう組み合わせるとどんな予想が出るのかも紹介しています。