PowerBall XTRA – Labo IA : entraîner des réseaux de neurones sur les vrais tirages
Un réseau de neurones peut-il apprendre, à partir de 1 134 tirages PowerBall XTRA, quelque chose qui anticipe le prochain tirage ? Ce labo vous laisse entraîner trois modèles directement dans votre navigateur (TensorFlow.js, rien n'est envoyé). Chaque modèle estime pour chaque numéro la probabilité de sortir au prochain tirage ; les 5 plus probables forment la grille. Cette grille est ensuite testée sur des tirages que le modèle n'a jamais vus, face à l'espérance exacte du hasard.
🔮 IA & test › · 🧪 Laboratoire de stratégies (backtest) ›
Les trois modèles
A · Modèle séquentiel LSTM
Voit les W derniers tirages comme une séquence (chaque tirage est un vecteur de 50 zéros et uns), un LSTM résume la séquence, 50 sorties sigmoïdes donnent la probabilité de chaque numéro. L'outil standard des séries temporelles : s'il existait un motif dans l'ordre des tirages, c'est ici qu'il apparaîtrait.
B · Réseau dense sur les caractéristiques des numéros
Pour chaque numéro, six caractéristiques que les joueurs utilisent : fréquence sur les 10, 50 et 200 derniers tirages, retard actuel (linéaire et logarithmique) et présence au dernier tirage. Deux couches cachées en déduisent la probabilité. Vérifie si « chaud », « froid » ou « en retard » apportent quelque chose, dans n'importe quelle combinaison.
C · Régression logistique
Les six mêmes caractéristiques, mais une seule étape linéaire : la référence du modèle B. Les poids appris montrent directement sur quoi le modèle mise. Si B ne dépasse pas C, le réseau plus profond n'a rien trouvé de plus.
Méthode : les tirages sont séparés chronologiquement, les 20 % les plus récents restent intouchés pour le test. Pour chaque tirage de test, le modèle forme sa grille uniquement à partir des tirages précédents. On compte les bons numéros par grille et on compare à la loi hypergéométrique, c'est-à-dire à ce qu'obtient une grille flash. Aucun modèle ne voit les numéros bonus.
Courbe d'entraînement
La perte (entropie croisée binaire) baisse d'abord parce que le réseau apprend que chaque numéro sort dans environ 10,0 % des tirages. Si la perte de validation ne baisse plus ensuite, il n'a rien trouvé au-delà de ce taux de base.
Résultat
Grille du modèle pour le prochain tirage
Test sur des tirages jamais vus
| Bons numéros | Modèle | Hasard (attendu) |
|---|
Les dernières grilles du test
| Date | Prédiction | Bons numéros |
|---|
Questions sur le labo IA
Un réseau de neurones peut-il prédire les prochains numéros ?
Non. Les tirages PowerBall XTRA sont des événements aléatoires indépendants et sans mémoire : le tirage d'aujourd'hui ne contient aucune information sur celui de demain. Un réseau ne peut donc apprendre que le taux de base, chaque numéro sort aussi souvent, et joue alors aussi bien que le hasard. C'est exactement ce que montre le test sur des tirages jamais vus.
Pourquoi la perte baisse-t-elle à l'entraînement s'il n'y a rien à apprendre ?
Parce que le réseau apprend d'abord le taux de base : avec des poids de départ aléatoires, il estime les probabilités complètement faux ; après quelques époques, elles sont proches de K/N. Cette baisse est l'apprentissage du taux de base, pas des tirages. Ensuite, la perte de validation stagne.
Pourquoi la grille change-t-elle à chaque entraînement ?
Les poids de départ sont aléatoires et, comme les données ne contiennent aucun signal, d'infimes différences de probabilité décident quels numéros entrent dans le top K. Un modèle avec un vrai signal donnerait des numéros semblables à chaque entraînement.
Que signifie un p inférieur à 0,05 ?
Qu'un écart aussi grand avec le hasard ne survient par hasard que dans 5 % des cas, soit une fois sur 20 entraînements en moyenne. En variant modèles, fenêtres et époques, on finit par tomber sur un tel écart. Il ne se reproduit pas sur une autre période.
Quelles données le modèle voit-il ?
Uniquement les numéros principaux des tirages, dans l'ordre chronologique jusqu'au tirage de test concerné. Numéros bonus, rapports et jackpots ne sont pas utilisés. Tout tourne dans votre navigateur ; aucune donnée n'est transmise.
Inspiré de projets d'IA loto librement disponibles (LotteryAi, PowerballAi, Mega Millions AI). Leur construction a été corrigée ici : prédiction du tirage suivant au lieu de la reproduction du tirage courant, une probabilité par numéro au lieu de par position, test uniquement sur des tirages jamais vus.