딥러닝 신경망
딥러닝 신경망
Deep Neural Network
신경망에서 쓰는 비선형 변환(tanh, softmax)을 과거 당첨 번호의 가중 빈도에 적용해 번호별 확률을 만듭니다. 학습된 신경망이 아니라 신경망 스타일의 수식을 사용하는 엔진입니다.
상세 설명
최근 100회 당첨 번호에서 번호별 특성 벡터를 만듭니다. 가장 최근 회차의 가중치는 1.0이고 오래될수록 낮아져 가장 오래된 회차는 약 0.5가 되며(가중치 = 1.0 - (순번 / 100) × 0.5), 보너스 번호는 쓰지 않고 당첨 번호 6개만 반영합니다. 벡터를 합이 1이 되도록 정규화한 뒤 tanh 변환을 적용하고, 0.7~1.3 범위의 난수 가중치를 곱해 softmax로 45개 번호의 확률을 계산합니다(최댓값을 먼저 빼서 수치 오류를 막습니다). 이 확률로 번호를 하나씩 뽑고 뽑은 번호는 제외해 중복 없이 6개를 만듭니다. 이 엔진은 학습된 신경망이 아니라 신경망에서 쓰는 변환(tanh, softmax)을 적용한 방식입니다.
작동 원리
1최신 회차 가중
최근 100회 당첨 번호를 세되 최근 회차일수록 더 큰 가중치를 주어 번호별 특성 벡터를 만듭니다.
2비선형 변환 (tanh, softmax)
특성 벡터에 tanh 변환과 난수 가중치를 적용한 뒤 softmax로 45개 번호의 확률 분포를 계산해 번호를 뽑습니다.
한계 및 주의사항
난수 가중치와 고정된 수식만 쓰며, 데이터로 학습한 신경망 가중치는 없습니다. 정규화한 특성값이 모두 작아 tanh와 softmax를 거쳐도 번호별 확률 차이가 크지 않습니다. 난수 가중치는 게임 순번마다 정해진 시드를 쓰지만 번호를 뽑는 단계에서도 난수를 쓰므로, 같은 데이터에서도 결과는 매번 다를 수 있습니다. 로또는 독립 추첨이므로 이 변환도 당첨을 보장하지 않습니다.
자주 묻는 질문
실제 신경망이 학습되어 있나요?
아닙니다. 신경망 스타일의 비선형 변환(tanh, softmax)과 난수 가중치를 사용한 엔진입니다.
LSTM이나 딥러닝 모델을 사용하지 않나요?
현재 코드는 LSTM 같은 학습 모델을 사용하지 않습니다. 과거 데이터로 만든 가중치 벡터에 수학적 변환을 적용한 방식입니다.
딥러닝이라고 하면 당첨 확률이 높아지나요?
로또의 무작위성은 딥러닝으로도 극복할 수 없습니다. 본 엔진도 참고용 번호 생성 도구일 뿐 당첨을 보장하지 않습니다.
핵심 특징
신경망 스타일의 비선형 변환 적용
시간적 흐름(Time Series) 반영
최근 100회 데이터를 가중 반영
이런 분께 추천해요
알파고와 같은 딥러닝 기술을 경험해보고 싶은 분
과학 기술의 정점을 확인하고 싶은 얼리어답터
미래 지향적인 예측을 원하시는 분