方法論
Riftcastの確率がどのように算出され、試合終了後にどう採点され、その結果の数値が何を意味するのか。本ページは概要ページの技術面の補完です。
1. 私たちが行っていること
Riftcastは、過去の試合データで学習した機械学習モデルにより、プロのLeague of Legendsの試合について両陣営それぞれの確率を公開しています。確率は試合開始前に生成して保存し、試合終了後に結果と照合して採点します。予測を事後に修正することは一切ありません。
確率は「何が起きるか」の予報ではありません。似た試合を数多く重ねたときの性質を述べたものです。あるチームが65パーセントで勝つと言うとき、その評価が付いた多数の試合のうちおよそ100回に65回勝つ、と主張しているにすぎません。65パーセントと評価したチームが負けても、予測が外れたことにはなりません。65パーセントと評価したチームが大きな標本で半分しか勝てない場合こそ、外れています。
私たちは「予測された勝者」を売っているのではありません。較正済みの確率と自らの成績を、成績がマイナスの市場も含めて公開しています。
2. モデル
すべての試合で4つのモデルが動きます。同じデータから独立して学習しているため、しばしば結論が食い違います。これは意図的です。モデル間の開き自体が、その対戦がどれほど確からしいかを示す情報だからです。
FastTree
勾配ブースティング決定木であり、他のすべてのモデルを測る基準です。学習が速く、再学習をまたいでも安定し、通常のケース、つまり実績のあるリーグで直近の履歴が十分にある既知の2チームの対戦をうまく扱います。無料プランで利用できるモデルであり、チームのデータが乏しいときに最も緩やかに精度が落ちるモデルでもあります。
LightGBM
葉単位の勾配ブースティング実装です。ゲームの土台が変化したときにFastTreeより速く適応するため、パッチの切り替わりや、異なる地域のチームが初めて相対し地域内の調子が当てにならない国際大会では、より強いモデルになります。
PCA Sweep
大規模なオフライン探索でハイパーパラメータを選定した主成分パイプラインで、分類器の前に次元削減を適用します。相関の強いチーム統計を少数の成分へ圧縮することで、チームプロファイルに含まれる重複に近い多数の特徴量への過学習を抑えられ、通常は3つの基本モデルの中で最も精度が高くなります。
Consensus
4つ目のモデルではなく、上記3つを重み付けして混合したものです。各モデルの直近の対数損失で重み付けするため、不調が続くモデルの寄与は小さくなります。Consensusはサイト上で最も信頼できる単一の数値であり、同時に最も保守的でもあります。個々のモデルが時折出すような極端な確率をほとんど示しません。
各モデルには2つの派生があります。基本版は試合開始前のチームと選手の調子から予測します。ドラフト対応版は10体のチャンピオンが確定した時点で同じ試合を再評価し、チャンピオンの勝率、構成内のシナジー、対面の相性をチームの調子に上乗せします。ドラフト対応版はチャンピオン選択の終了後にのみ利用できるため、試合開始直前に予測が変わることがあります。
3. 学習データ
- 15,622 件の試合を収録
- 450 チームを追跡
- 230 大会を網羅
- 35,844 件の予測を採点し記録
システムは2つの情報源から成り立っています。日程、進行中の試合状況、チャンピオン選択は lolesports.com の公式LoL Esports APIから取得します。すべてのモデルの学習対象であり、すべての予測の採点基準でもある終了済み試合の統計は、gol.gg の取得データから得ています。両者が結果について食い違う場合は gol.gg を正とし、ライブ側の情報は破棄します。
モデルが参照するのは、直近の移動窓で見たチームの調子、地域水準と地域間の対戦結果を加味したElo方式の強さ評価、サイド別勝率、オブジェクトとゴールドの統計、現ロスターの選手個々の調子、そしてドラフト対応版では実際に選ばれたチャンピオンです。特徴量は両陣営について対称に計算するため、どちらのチームが先に並んでいるかからモデルが何かを学ぶことはありません。
すべてのモデルは毎日00:10 UTCに、その時点で利用可能な全履歴を用いて再学習し、学習完了後に今後の試合の予測を再生成します。再学習と再学習の間にモデルファイルへ手を加えることはありません。
学習から除外している大会はありません。以前のパイプラインでは一部の小規模大会や国際大会を除外していましたが、2026年に取りやめました。除外していた大会こそ、モデルがデータを最も必要としていた大会だったためです。
4. 精度の記録方法
試合開始前に行った予測は恒久的に記録として残り、ここに示す数値の算出に使われます。公開済みの予測を削除、修正、あるいは遡って採点し直す仕組みは存在しません。
予測は、その試合が取得済みの結果データに現れて初めて採点されます。進行中の試合状況を採点に用いることは決してありません。あくまで暫定的な情報であり、誤っていることがあるためです。取得データから勝者をまだ確定できない試合は、推測で解決せず未採点のままにします。ライブ情報を読むより遅い方法ですが、公開している成績が結果から数時間遅れることがあるのはこのためです。
評価は日付による除外方式です。モデルは、学習時点でまだ行われていなかった試合に対してのみ評価されます。毎日再学習するシステムにとって、これが唯一誠実な検証方法です。採点済みの予測はすべて以下の数値に入ります。成績の悪い週を除く編集上の判断は存在せず、成績が振るわないという理由で市場を隠すこともありません。
公開している指標
- 的中率
- 正解したピックの割合で、必ず母数となるピック数と併記します。単体では弱い指標です。大本命だけを挙げるモデルでも高い的中率を出せますが、それは市場に追随する以上の価値を何も生んでいません。
- ブライアスコア
- 提示した確率と実際の結果との平均二乗差です。低いほど良好です。常に50パーセントと答えると0.25になるため、0.25を超える値はピックに添えた自信が無意味以下だったことを意味します。的中率だけでは見抜けない「自信を持って外すモデル」を捉えるのがこの指標です。
- 対数損失
- 同じ予測に対するもう一つの採点規則で、自信のある誤りをブライアスコアよりはるかに厳しく罰します。Consensusの混合において、各モデルに現在どれだけの重みがふさわしいかを決めているのがこの指標です。
- 投資収益率
- 条件を満たす各ピックに1ユニットずつ均等に投じた場合、試合前に提示されていた市場オッズで、いくら戻ったかを示します。的中したピックはオッズから1を引いた分が戻り、外れたピックは1ユニットを失います。収益率は純損益をピック数で割った値です。ここで唯一、価格を織り込んだ指標であり、モデルが正確でありながら採算に合わないことがあり得るのもこの指標です。
5. 較正
モデルが較正されているとは、提示する自信の度合いが大きな標本で現実と一致している状態を指します。60パーセントと判断した試合のうち、およそ60パーセントが勝っているべきです。正しい側を選びながらその確信が強すぎるという形で、正確でありながら較正が悪いモデルも成立します。
モデルの生の出力はそれ自体では十分に較正されていないため、表示時に較正層を適用します。較正は過去の採点済み予測のみで学習し、予測対象の試合そのものからは決して学習しません。保存された予測に焼き込むのではなくページの読み込み時に適用するので、公開時の記録はそのまま残り、その背後の較正だけが改善し続けます。
較正はリーグ単位でまとめて行うため、採点済みの試合が少ないリーグは、ごく少数の結果を信じ込む代わりにより広い標本から借りてきます。最低標本数に満たないリーグを低精度として主要な数値から外しているのも同じ理由です。結果が悪いからではなく、意味を持つだけの件数がまだないからです。
6. バリューピック
バリューピックとは、同じ結果に対して私たちの確率が市場の示す暗黙の確率を上回っている状態を指します。市場価格との見解の相違であって、確実な結果の予告ではありません。
期待値 = (モデルの確率 x 市場オッズ) - 1
この値がゼロを超えるとき、市場は私たちの評価から見て割の良すぎる価格を提示しており、そのピックが記録されます。記録されたピックはすべて、確率、価格、公開時刻とともに保存され、その後は他の予測と同様に採点されます。低精度と判定されたリーグのピックは追跡はしますが、公開する収益からは除外します。ごく少数の結果に対する百分率は雑音でしかないためです。
市場が何かの首位を名乗るには、採点済みのピックが最低50件必要です。その基準に満たない場合も数値は標本数とともに全体表に掲載し続けますが、成績としては扱いません。
現時点で記録上最も強い市場は シリーズ勝者 における PCA Sweep で、採点済み 130 件に対して収益率 +10.1 パーセントです。この数値は選び取ったものではなく導出されたもので、結果が積み上がるにつれて変化します。
7. よくある質問
シリーズ内の個々のゲームを予測できますか。
できますし、それぞれ別に採点します。ゲーム単位とシリーズ単位の予測は母数の異なる別々の市場であり、1つの数値に混ぜることはありません。5本勝負には複数のゲームが含まれるため、まとめて平均すると長いシリーズが短いシリーズより暗黙のうちに重く扱われてしまうからです。
非公開情報や内部情報を使っていますか。
使っていません。モデルが参照するものはすべて公開情報です。公表された試合結果、公式日程、そして放送されるチャンピオン選択です。スカウト網も、非公開のロスター情報も、チームや選手との接触もありません。
新しいパッチにはどう対応していますか。
モデルは毎日再学習するため、パッチは手動の調整ではなく、そのパッチで行われた試合を通じて反映されていきます。したがって大型パッチ直後の数日はサイト上で最も信頼性が低い期間であり、チャンピオン単位の統計はチーム単位より先に動くため、ドラフト対応版が最も早く立ち直ります。パッチに合わせてモデルを手作業で調整することはありません。公開している精度が再現できなくなるからです。
引き分けや不成立のゲームはどう扱われますか。
行われなかったゲームへの予測は、外れとして数えるのではなく無効とし、無効になったピックはすべての数値から除きます。合計値がちょうどラインに一致した場合など、市場が引き分けになり得る場合もピックを無効とし、投じた1ユニットは返還扱いとします。取得データにスコアが不完全な状態で現れたシリーズは、欠けているゲームが揃うまで未採点のままにします。
最も良い単一のモデルだけを使えばよいのではありませんか。
どれが最良かは移り変わり、しかも後になって初めて分かるからです。3つのモデルはそれぞれ異なる市場と時期で首位に立ってきましたし、順位はパッチをまたいでも、地域大会と国際大会の間でも入れ替わります。直近の対数損失で混合すると、どの単体モデルよりも安定した数値が得られます。その代わり、個別の市場で最良になることはめったにありません。
予測は機械学習モデルにより生成されるものであり、結果を保証するものではありません。本ページの数値は採点済みの過去の予測を示すものであり、将来の成績を予想するものではありません。情報提供のみを目的としており、金融助言ではありません。