こんにちは！サラリーマンブロガーのみやしんです！
いやぁ～サラリーマン生活も上手く行くときもあれば、上手く行かないときもありますよね～。。。
僕は今、全然上手く行ってなくて心身ともにお疲れモードです。＞＜
こんな時、「あ～宝くじでも当てて自由に暮らしたいなぁ～。。。」なんて皆さん一度は思ったことありますよね！笑
今日はそんな夢を叶えるべく、以前このブログでもご紹介したLOTO6予想AIの改良版を作りました！
バージョンアップです！！＾＾
当選確率もきっとアップです☆彡
それでは、早速ご紹介します！
なお、LSTMという手法を使いますが、結構難しいのでLSTMについてもう少し良く知りたい方は事前学習、もしくは事後学習をオススメします。
Pyサブスクール：サブスク8,030円/月でPythonを始められるプログラミングスクール
サブスク8,030円/月でPythonを始められるプログラミングスクール。現役エンジニアへの質問も自由に出来ます。話題のPythonを学びたいけどスクールに60万円は高すぎる！でも独学だと挫折が恐い。そんな不満と不安を解決するサブスク型のプ...
pysubschool.net
以前のブログはこちら、
改良部分の概要
どこを改良したのか、まずは概要をご紹介します！
以前の予想モデルは当選６つの数字を予想するときに、小さい順に数字毎で予想しており、各数字間の関係性が薄くなってしまっていました。何を言っているか、良く分からないと思いますので、図でご説明したいと思います。
と、こんな具合に当選番号６つの関係性を各数字の差という形で学習させるという感じに仕上げてみました。
その他にも、当選番号を見ていると短期間の間では当選番号の傾向があるように思えているので、学習させる当選番号も直近１０回以内にして、最近の傾向を学習させるように変えてみています。
早く1等当たらないかなぁ～とワクワクしています。
AIスクリプト添付
それではスクリプトを添付したいと思いますので、気になる方はコピペして楽しんでみてください(^^)/ 前回から結構変えています。
22/02/20：エラーを改修(Tensorflowのバージョンアップの影響でエラー発生)
import numpy as np
import pandas as pd
import tflearn
import time
from sklearn import preprocessing
import tensorflow as tf
class PredictionLSTM:
def __init__(self):
# LSTM訓練パラメータ設定
self.steps_of_history = 10
self.steps_of_furture = 10
self.units = 5
self.epochs = 10
self.batch_size = 5
# データセット作成
def create_dataset(self, data):
x, y = [], []
for i in range(0, len(data) - self.steps_of_history, self.steps_of_furture):
a = i + self.steps_of_history
x.append(data[i:a])
y.append(data[a])
x = np.reshape(np.array(x), [-1, self.steps_of_history, 1])
y = np.reshape(np.array(y), [-1, 1])
return x, y
# 予測用データ作成
def create_predict_dataset(self, data):
latest_x = np.array([data[-self.steps_of_history:]])
latest_x = np.reshape(latest_x, (-1, self.steps_of_history, 1))
return latest_x
# 訓練、評価データ分割
def split_dataset(self, x, y, test_size=0.1):
pos = round(len(x) * (1 - test_size))
train_x, train_y = x[:pos], y[:pos]
test_x, test_y = x[pos:], y[pos:]
return train_x, train_y, test_x, test_y
# モデル作成
def _create_model_by_tflearn(self):
net = tflearn.input_data(shape=[None, self.steps_of_history, 1])
# LSTM
net = tflearn.lstm(net, n_units=self.units)
# GRU
# net = tflearn.gru(net, n_units=self.units)
# GRU 複数層
# net = tflearn.gru(net, n_units=self.units, return_seq=True)
# net = tflearn.gru(net, n_units=self.units)
net = tflearn.fully_connected(net, 1, activation='linear')
net = tflearn.regression(net, optimizer='Adam', learning_rate=0.01, loss='mean_square')
model = tflearn.DNN(net, tensorboard_verbose=0)
return model
# 訓練
def train(self, train_x, train_y):
model = self._create_model_by_tflearn()
model.fit(train_x, train_y, validation_set=0.1, batch_size=self.batch_size, n_epoch=self.epochs)
return model
# 予測
def predict(self, model, data):
return model.predict(data)
# 評価誤差アルゴリズム
# RMSE(Root Mean Squared Error)
def rmse(self, y_pred, y_true):
return np.sqrt(((y_true - y_pred) ** 2).mean())
# RMSLE(Root Mean Squared Logarithmic Error)
def rmsle(self, y_pred, y_true):
return np.sqrt(np.square(np.log(y_true + 1) - np.log(y_pred + 1)).mean())
# MAE(Mean Absolute Error)
def mae(self, y_pred, y_true):
return np.mean(np.abs((y_true - y_pred)))
# MAPE(Mean Absolute Percentage Error)
def mape(self, y_pred, y_true):
return np.mean(np.abs((y_true - y_pred) / y_true)) * 100
def main_process():
START_TIME = time.time()
dataframe = pd.read_csv('./loto6.csv') # 学習させる過去の当選結果のパス(.csv)
number1 = dataframe['main1']
number2 = dataframe['main2'] - dataframe['main1']
number3 = dataframe['main3'] - dataframe['main2']
number4 = dataframe['main4'] - dataframe['main3']
number5 = dataframe['main5'] - dataframe['main4']
number6 = dataframe['main6'] - dataframe['main5']
bonus = dataframe['bonus']
#print(number2)
header_name_list = [number1, number2, number3, number4, number5, number6, bonus]
# 予測結果を最後にリストで表すための準備
prediction_results = {}
i = 1
for header in header_name_list:
# csvから読み込んだデータをint型に変換
data = header.astype(int)
data = data.values.reshape(data.shape[0], 1).astype(dtype=np.float32)
# 正規化
scaler = preprocessing.MinMaxScaler()
data = scaler.fit_transform(data)
# LSTMインスタンス作成
lstm = PredictionLSTM()
# 訓練、評価データ作成
x, y = lstm.create_dataset(data)
train_x, train_y, test_x, test_y = lstm.split_dataset(x, y)
model = lstm.train(train_x, train_y)
# 評価
train_predict = lstm.predict(model, train_x)
test_predict = lstm.predict(model, test_x)
# RMSE(Root Mean Squared Error)
train_score = lstm.rmse(train_y, train_predict)
test_score = lstm.rmse(test_y, test_predict)
print("Train Score: {0:.3f} RMSE".format(train_score))
print("Test Score: {0:.3f} RMSE".format(test_score))
# 予測
latest_x = lstm.create_predict_dataset(data)
next_prediction = model.predict(latest_x)
next_prediction = scaler.inverse_transform(next_prediction)
print(str(header), '=', "Next prediction: {0:.0f}".format(list(next_prediction)[0][0]))
print("Time: {0:.1f}sec".format(time.time() - START_TIME))
if (i == 1):
# 予測値を四捨五入して辞書に格納
prediction_results['number1'] = int(round(next_prediction[0][0]))
elif (i == 2):
prediction_results['number2'] = int(round(next_prediction[0][0])) + prediction_results['number1']
elif (i == 3):
prediction_results['number3'] = int(round(next_prediction[0][0])) + prediction_results['number2']
elif (i == 4):
prediction_results['number4'] = int(round(next_prediction[0][0])) + prediction_results['number3']
elif (i == 5):
prediction_results['number5'] = int(round(next_prediction[0][0])) + prediction_results['number4']
elif (i == 6):
prediction_results['number6'] = int(round(next_prediction[0][0])) + prediction_results['number5']
else:
prediction_results['bonus'] = int(round(next_prediction[0][0]))
# モデルをリセット
# 22/2/20 エラー改修 tf. → tf.compat.v1.
tf.compat.v1.reset_default_graph()
i += 1
return prediction_results
if __name__ == "__main__":
prediction_results = main_process()
while (prediction_results['number6'] >= 44 \
or prediction_results['bonus'] == prediction_results['number6'] \
or prediction_results['bonus'] == prediction_results['number5'] \
or prediction_results['bonus'] == prediction_results['number4'] \
or prediction_results['bonus'] == prediction_results['number3'] \
or prediction_results['bonus'] == prediction_results['number2'] \
or prediction_results['bonus'] == prediction_results['number1'] \
):
prediction_results = main_process()
print(prediction_results)
こんな感じです！
Pyサブスクール：サブスク8,030円/月でPythonを始められるプログラミングスクール
サブスク8,030円/月でPythonを始められるプログラミングスクール。現役エンジニアへの質問も自由に出来ます。話題のPythonを学びたいけどスクールに60万円は高すぎる！でも独学だと挫折が恐い。そんな不満と不安を解決するサブスク型のプ...
pysubschool.net
最後まで見てくださりありがとうございました！
それではみなさん、GOOD LUCK！^^
コメント