- モデルは過去の試合から学び、確実性ではなく確率を返します。
- 危険なのは過剰適合です。過去はすべて当たるのに、実戦では外れます。
- 役に立つかを知るには、較正、Brierスコア、ROIを見て、必ず時間の順に検証してください。
機械学習とは、ひとことで言うと?
例を見て学ぶプログラムです。
ルールを教える代わりに、すでに行われた何千もの試合を見せます。
それぞれの試合には、入力データと最終結果があります。
プログラムは、どのデータがどの結果と一緒に現れやすいかを探します。
そのあと、そのパターンを使って、まだ行われていない試合を見積もります。
犬と猫の見分け方を学ぶ子どもを思い浮かべてください。
誰も解剖学を教えません。
たくさんの写真を見て、繰り返されることに気づいていきます。
試合でも同じことが起きますが、相手は数字です。
機械学習は魔法でも水晶玉でもありません。
コンピューターが大規模に行う統計です。
出力は確率であり、保証された結果ではありません。
この記事は、技術的でないやさしい版です。
アルゴリズム全体の流れを知りたい方は、賭けのアルゴリズムの仕組みをお読みください。
ここでは、どう学ぶのか、どう騙されるのかに焦点を当てます。
どんなデータを与え、何が返ってくる?
入力データは変数と呼ばれます。
最近の得点、ホームかアウェーか、休養日数、最終オッズ、負傷などです。
出力は、通常、起こりうる各結果の確率です。
| 部分 | 内容 | 例 |
|---|---|---|
| 入力 | 試合のデータ | 調子、休養、ホーム |
| モデル | 学習したルール | 各変数の重み |
| 出力 | 確率 | ホーム48%、引き分け27%、アウェー25% |
| 判断 | オッズと比べる | 価値はあるか、ないか |
モデルは、あなたが賭けるかどうかを決めません。
見積もるだけです。
判断は、その確率とオッズの確率を比べて決まります。
それはインプライド確率の記事で説明していて、期待値計算機で計算できます。
訓練、検証、テスト:データの3つのブロック
信頼できるモデルは、学習に使ったデータでは決して測りません。
そのため、データは3つのブロックに分けられます。
それぞれが別の役割を果たします。
- 訓練: モデルが学ぶ試合です。勉強の教材にあたります。
- 検証: バージョンを調整し比較するために使う試合です。模擬試験にあたります。
- テスト: 最後まで誰も触れない試合です。本番の試験で、一度しか使いません。
テストのブロックを何度も使うと、それはもうテストではありません。
結局、モデルをその試験に合わせて調整することになります。
よくある罠で、とても気づきにくいものです。
過剰適合とは何で、なぜこれほど多くのモデルをだめにするのか?
過剰適合は、モデルが学ぶのではなく暗記してしまうときに起こります。
古い試合の偶然まで覚えてしまいます。
跳ね返りの得点、微妙なPK、激しい雨。
これらは繰り返されませんが、モデルは繰り返されると思い込みます。
過去の年の試験の答えを丸暗記する生徒のようなものです。
試験が変わると、何も分かりません。
練習では10点、本番の試験では4点を取ります。
例:完璧に見えたモデル
この表の数字はすべて、考え方を説明するために作った例です。
訓練用の20試合と、テスト用の新しい20試合を想像してください。
ルールが多すぎるモデルは、最初のグループの細部にまで合わせてしまいます。
| 例 | 的中 | 割合 |
|---|---|---|
| 訓練の20試合 | 20中20 | 100% |
| 新しい20試合 | 20中11 | 55% |
| 差 | 的中が9少ない | 45ポイント |
最初のグループの100%には、何の意味もありません。
モデルはその答えをすでに知っていました。
2番目のグループの55%が、正直な数字です。
それでも、わずか20試合では、その数字さえ確かではありません。
実践のルール:モデルが良すぎて本当とは思えないなら、おそらく本当ではありません。
まず過剰適合を疑い、喜ぶのはその後にしてください。
よく当たっていたモデルが、実戦で負けるのはなぜか?
よくある理由が4つあります。
たいていは、まとめて現れます。
- 過剰適合: 過去を暗記しただけで、パターンを学んでいない。
- データ漏洩: 現実なら試合前に持っていないはずの情報を、うっかりモデルが見てしまった。
- 変わる市場: オッズが修正され、昨日の価値は消える。
- 小さなサンプル: 50試合の好調は、単なる運かもしれない。
最後の理由が、最も過小評価されています。
結果を信頼するのに何回の賭けが必要かを知りたい方は、勝っているかを知るのに必要な賭けの数をお読みください。
時間順の検証とは何で、なぜ未来を見てはいけないのか?
賭けでは、時間の順序が重要です。
モデルは、予測したい試合より後に行われた試合から学ぶことはできません。
当たり前に思えますが、検証を組むときに最もよくある間違いです。
試合を無作為に混ぜると、モデルは3月の試合で訓練され、2月の試合でテストされるかもしれません。
それは未来を覗き見ることです。
結果は、実際よりよく見えます。
きれいなデータがなぜそれほど重要なのか?
モデルは、与えられたものを学びます。
汚れたデータを与えれば、汚れたことを学びます。
英語には「ゴミを入れればゴミが出る」という言い方があります。
目立たないけれども最も重要な仕事は、データをきれいにすることです。
- 同じクラブの名前が、2通りに書かれている。
- 結果の入力ミスや、中止になった試合が行われたことになっている。
- 違う時間に取ったオッズが、同じものとして混ざっている。
- 試合の後で分かった負傷が、事前のものとして記録されている。
何千行もの中の小さな間違いが、全体に広がります。
そのため、優れたモデルは、すべてのデータを日付と出典つきで保存します。
日付がなければ、試合前に何が分かっていたかを知ることはできません。
本当に重要な指標は?
最も人気があるのは、的中した割合である的中率です。
賭けでは、最も誤解を招く指標でもあります。
それぞれの的中がいくら払うかを見ないからです。
| 指標 | 測るもの | 注意点 |
|---|---|---|
| 的中率 | 的中の割合 | オッズを無視する |
| 較正 | 70%と言った試合の70%が当たるか | 多くの賭けが必要 |
| Brier | 確率の誤差 | 小さいほど良い |
| ROI | 賭けた額に対する利益 | ノイズが大きい |
較正:70%は本当に70%か?
モデルの割合が実現するなら、較正されています。
70%と言った100試合のうち、70前後を当てるはずです。
55しか当たらなければ、自信過剰でした。
その自信過剰が、お金を失う原因になります。
Brier:誤差のスコア
言った確率と実際に起きたことの差を2乗して計算します。
80%と言って起きたなら、誤差は0.2の2乗です。
起きなかったなら、誤差は0.8の2乗です。
それを、すべての試合で平均します。
これは、コードで検算した例です。
あるモデルが5試合で80%と言い、4試合を当てます。
そのBrierスコアは0.16です。
何も知らずにすべて50%と言う人は、0.25になります。
小さいほど良いので、最初のモデルの勝ちです。
| 例 | 予測 | Brier |
|---|---|---|
| 5試合中4的中のモデル | 常に80% | 0.16 |
| 情報なし | 常に50% | 0.25 |
| 自信過剰 | 常に100% | 0.20 |
最後の行に注目してください。
100%と言った人は同じ数だけ当てましたが、評価はより低くなります。
Brierスコアは、根拠のない自信に罰を与えます。
ROIと的中率:同じモデルに、2つの評価
もうひとつ、検算した例です。
オッズ1.30で10回賭けて、7回勝ちます。
オッズ2.50でさらに10回賭けて、5回勝ちます。
的中率で選ぶなら最初のグループですが、計算を見てください。
| 例 | 的中 | 結果 | ROI |
|---|---|---|---|
| オッズ1.30で10回 | 10回中7回(70%) | −0.9単位 | −9% |
| オッズ2.50で10回 | 10回中5回(50%) | +2.5単位 | +25% |
オッズ1.30の損益分岐点は、76.9%の確率で当てることです。
70%では、それを下回ります。
オッズ2.50なら、40%で足ります。
だから、オッズがなければ、的中率は何も語りません。
10回の賭けだけでは、ROIは単なるノイズです。
計算を理解するには役立ちますが、結論を出すためのものではありません。
小さなサンプルでは、偶然の影響が非常に大きくなります。
Gambetaはこれをどう使っているか、正直に
Gambetaは、予想を決めるのにAIのチャットを使っていません。
土台は、試合のデータから確率を見積もる統計モデルです。
そのあとに、拒否権と較正が適用されます。
- モデル: 各結果の確率を見積もります。
- 拒否権: 主力の欠場やデータ不足など、何かが合わないときに予想を取り下げるルールです。
- 較正: 確率が楽観的すぎないように調整します。
- 記録: すべての予想は試合前に公開され、公開された情報源で結果が確定されます。
内部のパラメータは、仕事の一部なので公開していません。
公開しているのは、公開されたすべてのものの結果です。
私たちを信じる必要がなく、自分で確認できるようにするためです。
出典と日付つきの実際のデータ
これは、Gambetaの履歴の公開ファイル(2026年10月28日更新)で計算しました。
2026年3月21日から、的中か不的中で確定した予想は1,539件あります。
856件が的中で、55.6%です。
平均オッズは1.83でした。
各予想に固定の1単位を賭けた場合、結果はほぼゼロです。
ROIは−0.02%で、実質的な引き分けと読めます。
自慢できる数字ではありませんが、だからこそ載せています。
固定額で賭けた場合の測定であり、各予想の実際のステークではありません。
これが、機械学習に正直であるということです。
モデルは信頼できるものでも、成績がゼロ付近になることはあります。
賭けで勝つのはとても難しく、どんな方法でも簡単にはなりません。
それぞれの結果の詳細は、履歴にあります。
毎日の分析と訂正は、Jornal de Apuestasにあります。
「必勝」モデルを売る人を見抜くには?
かなりはっきりした警告のサインがあります。
複数が重なっていたら、離れてください。
- 的中率だけを見せて、ROIもオッズも決して見せない。
- 「過去の」的中について語るのに、試合前に公開された予想がない。
- 利益を約束したり、「確実」「リスクなし」と言ったりする。
- どう測ったのか、どんなデータを使ったのかを説明しない。
さらに深く知りたい方は、賭けのための自分のAIを作って育てる方法をご覧ください。
自分のデータで、騙されずにいることがどれだけ難しいかが分かります。
ツールを比べるには、スポーツ賭けに最適なAIの記事があります。
次に読むもの
何試合必要かという疑問が残ったなら、サンプルの大きさに進んでください。
全体像を知りたいなら、賭けのためのAIの柱記事に戻ってください。
お金を賭けるつもりなら、その前に責任をもって賭けるを見直してください。
この記事は教育目的であり、賭けの推奨ではありません。
ギャンブルは18歳以上の方のみです。
失っても困らない金額だけを賭けてください。
よくある質問
賭けに応用される機械学習とは何ですか?
過去の試合からパターンを学ぶプログラムを使って、将来の試合の確率を見積もることです。
確実性ではなく、数字を出します。
その確率をオッズと比べたときに、価値が現れます。
過去によく当たったモデルは役に立ちますか?
必ずしもそうではありません。
すでに見たデータのほとんどを当てるなら、丸暗記しているのかもしれません。
大切なのは、見たことのない試合を時間順に並べて、どう機能するかです。
過剰適合とは何ですか?
モデルが古い試合を、その偶然まで含めて丸暗記してしまうことです。
過去では完璧に見えます。
新しい試合では、偶然は繰り返されないので、はるかに悪い成績になります。
的中率とROIのどちらを測るべきですか?
較正とあわせて、ROIです。
的中率はオッズを無視します。
低いオッズで70%当てても、お金を失うモデルはありえます。
使うのにプログラミングの知識は必要ですか?
仕組みを理解したり、モデルが信頼できるか判断したりするのには必要ありません。
自分でモデルを作るには、コードと統計を少し学ぶ必要があります。
多くの読者は、スプレッドシートから始めます。
Gambetaは機械学習を使っていますか?
Gambetaは、統計モデルに、拒否権と事後の較正を組み合わせています。
すべての予想は試合前に記録されます。
すべての結果を、公開履歴で確認できます。