머신러닝
머신러닝
Machine Learning
과거 당첨 데이터로 점진적으로 학습시킨 머신러닝 분류 모델(SGD, hinge 손실)의 점수를 번호 선택에 활용합니다. 학습 모델이 없을 때는 빈도 기반 비선형 변환으로 대신합니다.
상세 설명
학습된 모델 파일이 있으면 최근 20회 데이터에서 번호마다 특성을 만들고, SGD 분류 모델(hinge 손실)의 decision_function 점수를 구합니다. 점수를 표준화한 뒤 지수 함수로 바꿔 번호별 가중치를 만들고, 이 가중치로 6개를 뽑습니다. 모델 파일이 없거나 최근 데이터가 20회 미만이면 휴리스틱으로 대체합니다. 휴리스틱은 조회한 최근 100회 데이터에서 최근 20회 빈도에 70%, 전체 빈도에 30%를 반영해 결합한 값에 시그모이드 변환과 역빈도 가중치(많이 나온 번호일수록 낮아짐)를 적용하고, 0.8~1.2 사이의 무작위 계수를 곱해 6개를 뽑습니다. 모델 점수 계산에 실패하면 같은 휴리스틱으로 넘어가며 화면에는 따로 표시되지 않습니다.
작동 원리
1점진 학습 (Incremental Learning)
과거 당첨 결과를 회차 단위로 나누어 모델에 조금씩 추가 학습시키며, 번호별 특성이 당첨 번호와 얼마나 가까운지 점수를 학습합니다.
2번호별 특성 점수화
최근 20회 데이터로 만든 번호별 특성을 모델에 넣어 점수를 구하고, 점수가 높은 번호가 더 잘 뽑히도록 가중치를 만듭니다.
한계 및 주의사항
ML 모델은 과거 데이터의 상관관계를 학습할 뿐 로또의 독립 추첨 방식을 바꾸지 못합니다. 모델 파일이 없을 때는 빈도 기반 휴리스틱이 쓰이며, 이때 결과도 참고용입니다. 학습에 쓰이지 않은 패턴은 반영할 수 없습니다. 점수를 표준화해 지수로 바꾸기 때문에 점수 분포에 따라 번호별 가중치 차이가 달라지고, 번호를 뽑을 때 난수가 쓰여 같은 입력에서도 결과가 매번 다를 수 있습니다. 따라서 당첨을 보장하지 않습니다.
자주 묻는 질문
어떤 머신러닝 모델이 사용되나요?
학습된 모델 파일이 있으면 SGD 분류 모델(hinge 손실)을 점진적으로 학습시킨 모델의 decision_function 점수를 사용합니다. 파일이 없으면 빈도 기반 비선형 변환 휴리스틱으로 번호를 만듭니다.
학습 데이터는 얼마나 사용하나요?
모델 예측에는 최근 20회차 데이터를 쓰고, 휴리스틱은 최근 20회차와 조회한 최근 100회차 데이터를 함께 씁니다.
AI가 당첨 번호를 맞출 수 있나요?
로또는 무작위 추첨이므로 AI도 당첨을 보장할 수 없습니다. AI는 과거 데이터에서 번호별 가중치를 계산하는 도구일 뿐입니다.
핵심 특징
데이터가 쌓일수록 똑똑해지는 모델
최신 AI 트렌드 반영
번호별 특성을 점수로 환산
이런 분께 추천해요
최신 기술을 경험해보고 싶으신 분
기존의 분석 방식에 한계를 느끼신 분
AI의 "직관"을 믿어보고 싶은 분