競馬編：競馬データマイニング

競馬のデータは、ふつうの表形式データとは少し違う性質を持っています。同じレースの中で比べてはじめて意味が出ること、走った後にしか分からない情報が同じ表に並んでいること、 そしてオッズという「みんなの予想」が先にあること。 この 3 つが、そのまま特徴量・検証・評価の作法を決めます。

一般的な用語（過学習・交差検証・AUC など）は基礎編にまとめてあります。ここでは繰り返さず、競馬ではどう現れるかとどう対処するかに絞ります。

• 競馬予想を「予測問題」として立てる競馬は 1 頭を当てる問題ではなく、同じレースの出走馬を並べ替える問題。ここが以降すべての前提になります。
• 競馬データの構造と時間の扱いレース前に確定している情報と、走った後にしか分からない情報を分ける。JRA-VANデータラボで得られるデータの俯瞰。
• 特徴量づくり（競馬特有の相対化）前走ベースの特徴と集計特徴量の作り方。絶対値ではなく「同じレースの中での位置」に直すと効く理由。
• 競馬でのモデルの選び方1 頭ずつ・2 頭ずつ・レース全体という 3 通りの立て方と、1 着が 1 割弱しかないという不均衡。複数モデルの組み合わせ方も。
• 的中率ではなく回収率で見るオッズは人気を織り込んでいるので、よく当たる予測ほど配当が安くなります。控除率という固定の不利と、分散の大きさ。
• 競馬でよく起きる失敗データリーク、時系列を無視した分割、条件を絞りすぎたときの見かけ倒し。「バックテストだけ異常に良い」の正体。