New York Lotto – Laboratorio IA: allenare reti neurali sulle estrazioni reali
Una rete neurale può imparare da 2.621 estrazioni New York Lotto qualcosa che anticipi la prossima? Questo laboratorio ti lascia allenare quattro modelli direttamente nel browser (TensorFlow.js, non viene inviato nulla). Ogni modello stima per ogni numero la probabilità di uscire alla prossima estrazione; i 6 più probabili formano la giocata. La giocata viene poi testata su estrazioni che il modello non ha mai visto, contro l'attesa esatta del caso.
🔮 IA e test › · 🧪 Laboratorio di strategie (backtest) ›
I quattro modelli
A · Modello sequenziale LSTM
Vede le ultime W estrazioni come sequenza (ogni estrazione è un vettore di 59 zeri e uni), un LSTM riassume la sequenza, 59 uscite sigmoidi danno la probabilità di ogni numero. Lo strumento standard per le serie temporali: se ci fosse uno schema nell'ordine delle estrazioni, apparirebbe qui.
B · Rete densa sulle caratteristiche dei numeri
Per ogni numero sei caratteristiche che i giocatori usano davvero: frequenza nelle ultime 10, 50 e 200 estrazioni, ritardo attuale (lineare e logaritmico) e presenza nell'ultima estrazione. Due strati nascosti ne ricavano la probabilità. Verifica se «caldo», «freddo» o «ritardatario» servono a qualcosa, in qualunque combinazione.
C · Regressione logistica
Le stesse sei caratteristiche, ma un solo passo lineare: il riferimento del modello B. I pesi appresi mostrano direttamente su cosa punta il modello. Se B non supera C, la rete più profonda non ha trovato nulla in più.
D · Serie storica SARIMA
Ognuno dei 59 numeri è trattato come una serie 0/1 (estratto / non estratto). Per ogni numero viene stimato un modello ARIMA stagionale (1,0,1)(1,0,1)ₛ con i minimi quadrati condizionati; la stagione s è ad esempio il numero di giorni di estrazione a settimana. La previsione a un passo è la probabilità stimata per la prossima estrazione. Nessuna rete neurale, nessuna inizializzazione casuale: lo stesso risultato a ogni esecuzione.
Metodo: le estrazioni sono divise in ordine cronologico, il 20 % più recente resta intatto per il test. Per ogni estrazione di test il modello forma la giocata solo dalle estrazioni precedenti. Si contano i numeri indovinati per giocata e si confrontano con la distribuzione ipergeometrica, cioè con ciò che ottiene una giocata casuale. Nessun modello vede i numeri bonus.
Curva di allenamento
La perdita (entropia incrociata binaria) scende all'inizio perché la rete impara che ogni numero esce in circa il 10,2 % delle estrazioni. Se poi la perdita di validazione non scende più, non ha trovato nulla oltre questo tasso di base.
Risultato
Giocata del modello per la prossima estrazione
Test su estrazioni mai viste
| Punti | Modello | Caso (atteso) |
|---|
Le ultime giocate del test
| Data | Previsione | Uscite |
|---|
Domande sul laboratorio IA
Una rete neurale può prevedere i prossimi numeri?
No. Le estrazioni New York Lotto sono eventi casuali indipendenti e senza memoria: l'estrazione di oggi non contiene alcuna informazione su quella di domani. Una rete può quindi imparare al massimo il tasso di base, ogni numero esce con la stessa frequenza, e gioca allora bene quanto il caso. È esattamente ciò che mostra il test su estrazioni mai viste.
Perché la perdita scende durante l'allenamento se non c'è nulla da imparare?
Perché la rete impara prima il tasso di base: con pesi iniziali casuali stima le probabilità in modo del tutto sbagliato; dopo poche epoche sono vicine a K/N. Questo calo è l'apprendimento del tasso di base, non delle estrazioni. Poi la perdita di validazione ristagna.
Perché la giocata cambia a ogni allenamento?
I pesi iniziali sono casuali e, poiché i dati non contengono alcun segnale, differenze minime di probabilità decidono quali numeri entrano nei primi K. Un modello con un vero segnale darebbe numeri simili a ogni allenamento.
Cosa significa un p inferiore a 0,05?
Che uno scostamento così grande dal caso nasce per caso solo nel 5 % dei casi, cioè una volta su 20 allenamenti in media. Variando modelli, finestre ed epoche si finisce per trovare uno scostamento simile. Non si ripete su un altro periodo.
Quali dati vede il modello?
Solo i numeri principali delle estrazioni, in ordine cronologico fino all'estrazione di test considerata. Numeri bonus, quote e jackpot non vengono usati. Tutto gira nel tuo browser; nessun dato viene trasmesso.
Ispirato a progetti di IA per lotterie liberamente disponibili (LotteryAi, PowerballAi, Mega Millions AI). La loro costruzione è stata corretta qui: previsione dell'estrazione successiva invece della riproduzione di quella attuale, una probabilità per numero invece che per posizione, test solo su estrazioni mai viste.