競馬AIを自作するには? — データ収集からモデル評価までの入門ロードマップ

公開: 2026-08-01 / koei-ai 編集部

競馬AIは、データサイエンスを学ぶ練習台として非常に優れた題材です。現実のノイズを含むデータ、時系列の制約、市場(オッズ)という強力な比較対象 — 機械学習の教科書だけでは出会えない課題が全部詰まっています。この記事では、競馬AIを自作してみたい人向けに、全体の道筋を5つのステップで整理します。AIがどんな仕組みで確率を出すのかを先に知りたい方は「AI競馬予想の仕組み」からどうぞ。

全体像 — 5つのステップ

ステップ1: データを規約の範囲内で集める

出走表・結果・払戻の一次情報はJRA(日本中央競馬会)の公式発表です。分析用に機械可読なデータをまとめて使うなら、JRA-VANのような正規データ提供サービスを利用規約の範囲内で使うのが基本です。Webサイトの無断スクレイピングや、取得したデータの再配布は規約違反になり得ます。公開データの種類と性質は「公営競技のデータの読み方」で整理されています。

ステップ2〜3: 前処理と特徴量設計

競馬データには、中止・除外・失格などの特殊な着順記号や、馬体重未発表などの欠損が普通に含まれます。これを雑に0や欠損で潰すと集計指標が静かに歪むため、意味を区別して扱うのが前処理の第一歩です。

特徴量設計で最重要のルールはひとつ、「レース発走前に知り得た情報だけを使う」です。「直近3走の平均着順」を作るとき、当日以降の成績が混ざれば、それは本番では再現できない精度を生みます。この失敗は未来リークと呼ばれ、自作AIのバックテストが本番で崩れる原因の筆頭です。

ステップ4: モデルは「シンプルに強いもの」から

入門段階では、表形式データに強い勾配ブースティング(LightGBMなど)から始めるのが定石です。学習が速く、どの特徴量が効いているかも確認しやすいため、試行錯誤のサイクルを回しやすいのが利点です。モデルの内部で何が起きているかは「AIはどうやって1着確率を出すのか」が参考になります。出力は勝ち負けの断定ではなく1着確率にしましょう。確率にしておくことで、次のステップの評価が意味を持ちます。

ステップ5: 評価 — 的中率ではなく確率の質で

評価で守るべきは2点です。第一に時系列分割: 学習は過去、検証は未来のデータで行い、期間を絶対に混ぜないこと。第二に指標選び: 的中率は本命側に寄せるだけで上がるため、確率予測の質はlog lossのような指標で採点します。さらに、オッズが示す市場の確率と比べてどうか(市場より説明力があるか)まで測って、初めて自作モデルの立ち位置が分かります。

なお、バックテストで良い数字が出ても慌てないでください。少ない検証件数の好成績は偶然でも出ますし、リークの混入も疑うべきです。うまくいかない結果も含めて記録することが、データサイエンスとしては一番の学びになります。

よくある質問