【競馬AI開発#7】機械学習モデルに入れる特徴量を完成させる

この【競馬AI開発】シリーズでは、競馬予想AIを作ることを通して、機械学習・データサイエンスの勉強になるコンテンツの発信や、筆者が行った実験の共有などを行っていきます。

■どんな機械学習モデルを目指しているか？

初手として作成するモデルでは、2023年に開催された全てのレースについてnetkeiba.comからデータを取得し、以下の「着順」列を機械学習で予測することを目指しています。

レース結果テーブル
https://db.netkeiba.com/race/202306010101/

そこに予測材料として、馬の過去成績テーブルも取得して集計して加えます。

馬の過去成績テーブル
https://db.netkeiba.com/horse/2020103575/

馬の過去成績の追加イメージ

このように、「データを加工して作られた予測材料となる列」のことを機械学習の用語で「特徴量」といい、特徴量を作成することを「特徴量エンジニアリング」と言います。

特徴量エンジニアリングの段階においては、上のように様々なデータを集計して追加し、場合によっては数千個の特徴量を作成し、複数パターンを試しながら精度を上げていくことになります。
この時、何も考えずにコードを書いていくと、notebook上でソースコードが量産され、管理しきれなくなってしまう状態に陥ります。

この記事では、「煩雑になりがちな特徴量作成のコードをどのように管理するか」というポイントも意識しながら、実際のソースコードを見ていきます。

このように本シリーズでは、一度きりの「機械学習で競馬予測してみた」で終わるものではなく、「継続的に開発・運用できる、かつ分かりやすい（初心者でも理解できる）」コードの作成を心がけています。

■今回作るもの

今回のコードを実行することで、最終的に機械学習モデルにインプットするデータが完成します。

from feature_engineering import FeatureCreator

fc = FeatureCreator()
features = fc.create_features()

featuresの中身

具体的な特徴量は以下のようになります。

・race_id           ・・・ レースID
・horse_id          ・・・ 馬ID
・date              ・・・ レース開催日
・jockey_id         ・・・ 騎手ID
・trainer_id        ・・・ 調教師ID
・owner_id          ・・・ 馬主ID
・rank              ・・・ 着順
・umaban            ・・・ 馬番
・wakuban           ・・・ 枠番
・tansho_odds       ・・・ 単勝オッズ
・popularity        ・・・ 人気
・impost            ・・・ 斤量
・sex               ・・・ 性別（カテゴリをラベルエンコーディング）
・age               ・・・ 年齢
・weight            ・・・ 体重
・weight_diff       ・・・ 体重変化
・race_type         ・・・ レース種別（カテゴリをラベルエンコーディング）
・around            ・・・ 回る向き（カテゴリをラベルエンコーディング）
・course_len        ・・・ 距離
・weather           ・・・ 天候（カテゴリをラベルエンコーディング）
・ground_state      ・・・ 馬場状態（カテゴリをラベルエンコーディング）
・race_class        ・・・ レースクラス（カテゴリをラベルエンコーディング）
・place             ・・・ 開催場所（カテゴリをラベルエンコーディング）
・rank_3races       ・・・ その馬の過去3レースの平均着順
・prize_3races      ・・・ その馬の過去3レースの平均賞金
・rank_5races       ・・・ その馬の過去5レースの平均着順
・prize_5races      ・・・ その馬の過去5レースの平均賞金
・rank_10races      ・・・ その馬の過去10レースの平均着順
・prize_10races     ・・・ その馬の過去10レースの平均賞金
・rank_1000races    ・・・ その馬の過去1000レースの平均着順
・prize_1000races   ・・・ その馬の過去1000レースの平均賞金

これを最初のモデルとして、今後ここから特徴量を増やしていくことになります。

「ラベルエンコーディング」については、以下の記事で解説しています。

■筆者のプロフィール

東京大学大学院卒業後、データサイエンティストとしてWEBマーケティング調査会社でWEB上の消費者行動ログ分析などを経験。
現在は、大手IT系事業会社で、転職サイトのレコメンドシステムの開発を行っています。

ソースコード