BoatraceCSV

モーターpt スコア表チューニング(v4_motor)設計書

エキスパート評価を正解データとして、モーター能力指数 v2 (motor_ability_index_v2.md)の スコア表・ペナルティ・採用節数 をチューニングした motor4 成分と、 それを採用する予想者 v4_motor の設計。

• 分析の全記録: notebooks/motor_score_tuning/report.md (正解データ・探索ハーネス・再現スクリプト同梱)
• 対象スクリプト: scripts/boatrace/index_features.py / scripts/boatrace/predictors/registry.py
• 対象データ追加: data/estimate/motor_ability_score_v4.csv
• 影響範囲: build_weights.py(SHORT_HISTORY_COMPONENTS)、infra/run-*.sh(ACTIVE_PREDICTORS)

---

1. 動機

v1 設計書の未決事項に「スコア表は根拠なく決めている」「-100 ペナルティの妥当性未検証」が 残っていた。ドメインエキスパートのモーター評価(場公式サイトが公開する SS〜E 等の グレード)を正解として、これらのパラメータをデータ駆動で決め直す。

2. 正解データ

2026-07-19 取得のスナップショット 4 場・計 183 機 (詳細: notebooks/motor_score_tuning/ground_truth/)。

場	評価	n	備考
04 平和島(おかぺん)	SS〜E 11段階	43
23 唐津	素性 S〜D 5段階	60
24 大村	評価平均 1〜7点	70
14 鳴門	金/銀/銅	10	上位10のみの打ち切りラベル

目的関数 = 場別 Spearman ρ のラベル数加重平均。

3. 確定パラメータ(v2 との差分)

パラメータ	v2 (motor)	v4 (motor4)	定数
スコア表	着順に線形(等間隔)	γ=1.5 凸カーブ(整数丸め)	MOTOR4_SCORE_FILENAME
事故ペナルティ	-100	-50	MOTOR4_NEGATIVE_SCORE
採用節数	6	5	MOTOR4_HISTORY_SESSIONS
半減期 / 収縮 k / lane補正	60日 / 10 / ON	変更なし(現行値が最適圏)	—

スコア表 v4: 行別スケール A ∈ {125,100,125,75,100,50} を維持し、 pt(着順k) = round(A × ((6-k)/5)^1.5)。

行間スケール(A)を据え置いた理由: lane補正(z残差化)が ON のとき、セル内 標準化 (raw − μ_cell)/σ_cell がスコア表の行に対する線形変換を吸収するため、 行間の水準差は原理的に出力へ影響しない。効くのは行内の間隔形状(γ)と ペナルティの相対深さのみ。

4. 結果サマリ

構成	平和島	唐津	大村	鳴門	加重平均
v2(現行 motor)	+0.623	+0.590	+0.589	+0.290	+0.581
(参考)公式2連対率のみ	+0.660	+0.386	+0.600	+0.338	+0.530
v4(提案)	+0.656	+0.611	+0.641	+0.372	+0.620

• leave-one-stadium-out で全 4 場一貫改善(+0.017〜+0.084、加重平均 +0.037)。 3 場学習で選ばれる構成は fold 間でほぼ同一(γ=1.5〜1.8, pen=-50, N=5, H=60)。
• スコア表 36 値を自由に振る Optuna 全探索(+0.629)は LOSO で平和島が現行割れ → 過学習と判定し、頑健な 3 パラメータのみ採用。
• 1 次元感度分析: ペナルティは -20〜-50 で全場改善(-200 は大幅悪化)、γ は 1.3〜1.6 に山、節数 5 > 6 > 4、収縮 k は 20 以上で悪化、lane補正 OFF は悪化。

5. 実装

計算式は v2 と共通で、パラメータだけを keyword 引数で差し替える:

• load_motor_score_table(repo, filename=...) — v4 表の読み込み
• score_motor_run(table, run, negative_score=...) — ペナルティ差し替え
• motor_ability_pt(..., negative_score=..., max_sessions=...) — 節数スライス (履歴は従来どおり 6 節ロードし、先頭 5 節 = 直近 5 節を使う)
• compute_lane_baseline / compute_class_grade_avg に negative_score 引数
• FeatureContext.motor4_score_table() / lane_baselines4(day) — v4 用の スコア表・コース baseline(v4 表 + ペナルティ -50 + 5 節で別計算・別キャッシュ)
• compute_features_for_day が long-format 出力に motor4 列を追加

予想者 v4_motor(モーター予想、slot=4、started_at=2026-07-20)は control (v1_basic) の motor を motor4 に差し替えた 5 成分。ラベルは 「モーターpt」を共用し、CSV 列名を v1_basic と互換に保つ。 build_weights.py の SHORT_HISTORY_COMPONENTS に motor4 を追加済み (motor と同じ履歴ビルダーを使うため backfill 制約も同じ)。

検証: 本番コードパス(FeatureContext 経由)の motor4 出力が、チューニングに 使った独立実装ハーネスと最大誤差 4e-15 で一致することを確認済み。 ユニットテストは scripts/tests/unit/test_motor_ability_v4.py。

6. 限界・リリース判断

• 正解データは 単一時点のスナップショット。節をまたいだ再現性は未検証。
• エキスパート評価との相関改善 ≒ 回収率改善ではない(v2_tenkai/motor2rate の 教訓: おかぺん相関 ρ≈0.6 でも回収率で control に勝てなかった)。
• したがって v4_motor は独立スロットとして投入し、累計回収率で control (v1_basic) と A/B 比較してから最終判断する。判断基準は v2_tenkai 退役時と 同様「有意な回収率差」。

7. 運用手順

1. 投入月の重みを学習: python scripts/build_weights.py --month YYYY-MM --predictor v4_motor
2. 当日 index を確認: python scripts/build_index.py --date $TODAY --mode daily --predictor v4_motor で N枠_モーターpt の分布(平均 50・SD 10)を目視確認
3. infra/run-*.sh の ACTIVE_PREDICTORS は同期済み(v1_basic v4_motor)
4. 退役時は registry の status="retired" に変更(データ・ロジックは残置)

8. 将来課題

• エキスパート評価の定期スクレイプ&蓄積(複数節・複数場での再チューニング)
• superboatmotor.com(JS レンダリング必須)の取り込み
• 半減期の場別最適化、prior 平均のデータ駆動化(v2 設計書 §11 から継続)
• lane補正 OFF 構成での行間スケール(A)再調整(現状は原理的に不感)