TOTO KI-Labor: neuronale Netze auf echten Ziehungen trainieren
Kann ein neuronales Netz aus 1 234 TOTO-Ziehungen etwas lernen, das der nächsten Ziehung voraus ist? Dieses Labor lässt dich drei Modelle direkt in deinem Browser trainieren (TensorFlow.js, nichts wird hochgeladen). Jedes Modell schätzt für jede Zahl die Wahrscheinlichkeit, in der nächsten Ziehung zu fallen; die 6 wahrscheinlichsten bilden den Tipp. Danach wird der Tipp auf Ziehungen geprüft, die das Modell nie gesehen hat – gegen die exakte Zufallserwartung.
🔮 KI & Backtest › · 🧪 Strategie-Labor (Backtest) ›
Die drei Modelle
A · LSTM-Sequenzmodell
Sieht die letzten W Ziehungen als Folge (jede Ziehung als Vektor aus 49 Nullen und Einsen), ein LSTM fasst die Folge zusammen, 49 Sigmoid-Ausgänge geben die Wahrscheinlichkeit je Zahl. Das Standardwerkzeug für Zeitreihen – wenn es in der Reihenfolge der Ziehungen ein Muster gäbe, müsste es hier auftauchen.
B · Dense-Netz auf Zahlenmerkmalen
Für jede Zahl sechs Merkmale, wie sie Spieler benutzen: Häufigkeit in den letzten 10, 50 und 200 Ziehungen, aktueller Rückstand (linear und logarithmisch) und ob die Zahl in der letzten Ziehung fiel. Zwei verdeckte Schichten lernen daraus die Wahrscheinlichkeit. Prüft, ob „heiß“, „kalt“ oder „überfällig“ in irgendeiner Kombination etwas bringt.
C · Logistische Regression
Dieselben sechs Merkmale, aber nur ein linearer Schritt – die Basislinie zu Modell B. Die gelernten Gewichte zeigen direkt, worauf das Modell setzt. Liegt B nicht über C, hat das tiefere Netz nichts Zusätzliches gefunden.
Vorgehen: Die Ziehungen werden chronologisch geteilt, die letzten 20 % bleiben als Test unberührt. Für jede Testziehung bildet das Modell seinen Tipp nur aus den Ziehungen davor. Gezählt werden die Richtigen je Tipp; verglichen wird mit der hypergeometrischen Verteilung, also mit dem, was ein Quick-Tipp erzielt. Kein Modell sieht die Bonuszahlen.
Trainingsverlauf
Der Verlust (binäre Kreuzentropie) fällt zunächst, weil das Netz lernt, dass jede Zahl mit rund 12,2 % fällt. Fällt der Validierungsverlust danach nicht weiter, hat es über diese Grundrate hinaus nichts gefunden.
Ergebnis
Tipp des Modells für die nächste Ziehung
Test auf ungesehenen Ziehungen
| Richtige | Modell | Zufall (Erwartung) |
|---|
Die letzten Tipps im Test
| Datum | Vorhersage | Treffer |
|---|
Fragen zum KI-Labor
Kann ein neuronales Netz die nächsten Lottozahlen vorhersagen?
Nein. Die TOTO-Ziehungen sind unabhängige Zufallsereignisse ohne Gedächtnis: Die Ziehung von heute enthält keine Information über die von morgen. Ein Netz kann deshalb höchstens die Grundrate lernen – jede Zahl fällt gleich oft – und tippt dann so gut wie der Zufall. Genau das zeigt der Test auf ungesehenen Ziehungen.
Warum sinkt der Verlust beim Training, wenn es nichts zu lernen gibt?
Weil das Netz zuerst die Grundrate lernt: Mit zufälligen Startgewichten schätzt es die Wahrscheinlichkeiten anfangs völlig falsch, nach wenigen Epochen liegen sie nahe K/N. Dieser Abfall ist Lernen der Grundrate, nicht Lernen der Ziehungen. Danach stagniert der Validierungsverlust.
Warum ist der Tipp bei jedem Training anders?
Die Startgewichte sind zufällig, und da die Daten kein Signal enthalten, entscheiden winzige Unterschiede der Wahrscheinlichkeiten darüber, welche Zahlen in die Top-K rutschen. Ein Modell mit echtem Signal würde bei jedem Training ähnliche Zahlen liefern.
Was bedeutet ein p-Wert unter 0,05?
Dass ein so großer Unterschied zum Zufall nur in 5 % der Fälle zufällig entsteht – also bei 20 Trainingsläufen im Schnitt einmal. Wer Modelle, Fenster und Epochen variiert, findet irgendwann einen solchen Ausschlag. Er wiederholt sich auf einem anderen Zeitraum nicht.
Welche Daten sieht das Modell?
Nur die Hauptzahlen der Ziehungen, chronologisch bis zur jeweiligen Testziehung. Bonuszahlen, Quoten und Jackpots werden nicht verwendet. Alles läuft in deinem Browser; es werden keine Daten übertragen.
Angeregt durch frei verfügbare Lotterie-KI-Projekte (LotteryAi, PowerballAi, Mega Millions AI). Deren Aufbau wurde hier korrigiert: Vorhersage der nächsten statt Wiedergabe der aktuellen Ziehung, eine Wahrscheinlichkeit je Zahl statt je Position, Test nur auf ungesehenen Ziehungen.