【要約】# 祖母と見た相撲を、予測モデルで追いかけてみた――Sumo Predictorと初日の結果 [Zenn_Python] | Summary by TechDistill
> Source: Zenn_Python
Execute Primary Source
// Problem
開発者は、限られた過去データから不確実な未来の勝敗を、高い信頼性を持って予測する仕組みの構築に挑んだ。予測モデルの実装において、以下の技術的課題に直面している。
- ・データリークの防止：学習データに、予測時点では知り得ない未来の情報が混入するリスク。
- ・モデルの安定性：複雑な非線形モデル（HGB等）が、データ量の制約により過学習を起こす懸念。
- ・特徴量の有効性：決まり手などの追加情報が、予測精度に対して安定した寄与を示さない点。
// Approach
開発者は、予測の再現性と信頼性を最優先し、時系列データの整合性を重視した設計を採用した。具体的な手法は以下の通りである。
- ・Eloレーティングの採用：対戦結果に基づき、力士の相対的な強さを逐次更新する仕組みを実装。
- ・厳格な時系列分割：データを場所単位で分割し、day Nの予測にはday N-1までの情報のみを使用。
- ・データ管理の最適化：外部APIは低頻度のバッチで利用し、取得データはPostgreSQLへ正規化して保存。
- ・多角的な評価指標：Accuracyに加え、Log lossとBrier scoreを用いて確率の質を測定。
// Result
2026年7月場所初日の予測において、メインモデル「outcome-elo-v1」は以下の成果を上げた。
- ・的中率：20取組中17取組を的中させ、85.0%を記録。
- ・確率の精度：Log loss 0.5698、Brier score 0.1907を達成し、上位5モデル平均よりも高い確率の質を示した。
- ・検証結果：複雑なモデルよりも、単純なEloモデルの方が時系列テストにおいて安定していることを確認した。
Senior Engineer Insight
> 時系列予測における「データリークの徹底排除」という設計思想は、実務においても極めて重要である。単なる的中率に惑わされず、Log lossやBrier scoreを用いて「確率の質」を評価している点は、モデルの信頼性を担保する上で高く評価できる。現状、複雑なモデルがEloに及ばない点は、データ量不足か特徴量設計の不備を示唆している。実戦投入には、モデルの複雑化よりも、特徴量の安定性と検証プロセスの堅牢性に注力すべきだ。