BOATCRAFT は予想エンジンとして LightGBM・XGBoost・CatBoost・ニューラルネット (NN) の 4 種類の AI モデルを並列に走らせ、 それぞれの予測確率をブレンドして最終予測を出します。 単一モデルが見落とすパターンを別モデルが補完する、合議型のハイブリッド予測設計です。
機械学習の世界では、複数のモデルを組み合わせて予測精度を底上げする手法をアンサンブル学習と呼びます。 BOATCRAFT はこのアンサンブルの考え方を競艇予想に持ち込み、性質の異なる 4 種類のモデルを並列に走らせています。
4 モデルの予測確率はそれぞれ独立に計算され、最終段で加重平均によって統合。 モデルの得意領域がきれいに分かれているため、ある場面で 1 つが外しても残り 3 つが補正してくれる、堅牢な合議型設計になっています。
なお、BOATCRAFT の予測はこの 4AIモデルの上に「23つまみ」によるユーザー調整層が乗っており、 ユーザーがつまみを動かすと、4 モデルの出力に対する重み付けが動的に変わります。
なぜ 4 つなのか。それぞれが得意とする「データの読み方」が違うため、組み合わせることで死角を減らせるからです。
機械学習の競技 (Kaggle 等) でも、上位入賞解法はほぼ全てアンサンブルです。理由は単純で、単一モデルには必ず「見えない死角」があるから。 競艇予想は会場・天候・選手・モーター・コースの掛け算で状況が極端に分岐するため、1 モデルでは取りこぼしが大きくなります。
| 得意領域 | LightGBM | XGBoost | CatBoost | NN |
|---|---|---|---|---|
| 学習速度 | ◎ | ○ | ○ | △ |
| カテゴリ変数 | ○ | ○ | ◎ | △ |
| 非線形交互作用 | ○ | ○ | ○ | ◎ |
| レア事象 | △ | ◎ | ○ | ○ |
| 過学習耐性 | ○ | ○ | ◎ | △ |
4 モデルブレンドにすると、単一モデルで観測される予測誤差を系統的に打ち消し合う効果が出ます。 実データでのバックテストでも、ブレンド構成は単一最強モデルより的中傾向が安定する設計になっています。
4AIモデルは「全部混ぜれば良い」わけではありません。 レース状況によって、どのモデルを重視すべきかは変わります。 BOATCRAFT はその制御を 23つまみと連動させ、ユーザーが間接的に「どのモデルを強く効かせるか」を選べる設計にしています。
「機力つまみ」を上げる ─ モーター ID・部品交換情報を強く読む CatBoost の重みが相対的に上がる。エース機を引いた選手の評価が動く。
「気象つまみ」を上げる ─ 「風 × コース × 進入隊形」のような交互作用を読む NN の寄与が増す。荒れ水面で効く設定。
「コース力つまみ」を下げる ─ 1 コース有利のベースラインを引いている LightGBM の重みが相対的に下がり、外有利傾向を XGBoost と NN が拾いに行く。
最終予測は 4 モデルの加重平均で出されますが、その重みをユーザーが対話的に動かせるのが BOATCRAFT の特徴。会場・天候・グレードに合わせて最適なブレンドを選べます。
BOATCRAFT は単一モデルではなく、4 種類の AI モデルをブレンドする合議型予測アプリです。 AI の死角を別の AI が補う、競艇予想の新しいスタンダードを試してみてください。