データ収集 学習する（改良６：Permutation Feature Importance 実装を高速化・安定化）
Permutation Feature Importance 実装を高速化・安定化しました 🚀前回まで使っていた Permutation Feature Importance (PFI) のコードを、より高速で安定して動作するように全面的に...
データ収集 バグ修正 学習する（改良５：高速化 groupby.apply,rolling,astype(“category”)）
データの前処理の高速化を行いました。いまのボトルネックは主に「groupby.apply(lambda … rolling …)」と「同じ列の何度もソート／astype／fillna」の往復です。副作用なく速くできる“差し替えポイント”を順...
バグ修正 学習する（改良４：枠の位置バイアスを素直に学習させ、順位情報を削らず、レース全体の確率モデル（Plackett–Luce）で“勝ち切る力”を直接最適化する。
もっと、頭を良くさせたいと思い、以下の改良を加えてみました！枠番を復活 & レース内正規化特徴（A）順位の切り詰めをやめる（フルランク学習）Plackett–Luce 損失（B）の追加1) 枠番を復活 & レース内正規化特徴（A）置き換える...
レース予想方法 2025/9/7中山2Rを予想してみました。。。
完成したコードで、実際に結果が分かっているレースを予測してみました。実際の結果は、、、、1位：11キアラメンテ、2位：7ノーブルライナー、3位：9スタンピー。まだまだのようです笑笑笑。
レース予想方法 レース予想（２：学習時と同じ前処理を推論に適用する ― preprocess_like_training 関数をつくる）
まず、最初にコードから。。。。@torch.no_grad()def preprocess_like_training( X, stats: dict, *, inplace: bool = False, out_dtype_torch: ...
レース予想方法 レース予想（１：概説）
直近3走×時系列モデルで“今”を評価する今回は、レースIDを指定して出走各馬の直近傾向を数値化し、スタッキング構成の時系列モデルでスコアリング → Excelに一括転記するところまでを自動化しました。記事では処理の全体像と、学習時との違い、...
学習 学習する（改良３：「どの情報をどう使うか」をモデル自身に学習させる仕組みを追加）
今回のコード改良では、CLS＋学習窓＋MoE、つまり従来のLSTM＋SetTransformer構成に対して、「どの情報をどう使うか」をモデル自身に学習させる仕組みを追加しました。これにより、人間があらかじめ決め打ちした窓幅や重み付けに依存...
競馬予想アルゴリズム 学習する（１７：改良２ 距離・斤量）
🐎 距離・斤量の“相対化”を多視点化（3・5・7走）これまでは「距離=1800m」「斤量=55kg」といった絶対値をそのまま扱っていました。しかし競馬の世界では “普段より長い距離” や “いつもより斤量が重い” ことこそが成績に直結します...
学習 学習する（１６：改良１ 相対化・履歴・血統）
🏇 モデルが“文脈”を読むようになった話 — 相対化・履歴・血統の三本柱これまでのモデルは「距離=1800m」「斤量=55kg」といった絶対値の並びを見ていました。でも、予想の現場で大事なのは「この馬にとって今回は長いの？重いの？」「同条件...
評価 評価する（３：PFI結果）
今回はPFIの結果です。これらの結果から何が見えるのか？そして、何が課題なのかを突き詰めておきたいと思っています。まず、以下が結果でした。📊 Baseline NDCG@3: 0.9201🚀 Numeric PFI: 24 features...