경마 우승마 예측

♣ 기본모형

Scaling 전 기록의 종속변수와 15가지의 독립변수로 단계적 회귀분석을 실시하여 식(2)와 같은 기록을 예측하는 모형을 얻었다.

결정계수 R²는 0.99 로 분석되어 이 예측모형은 99% 이상 설명력을 가지는 것으로 나타났다. 단계별 변수 선택법으로 선택된 변수를 통해 경주마 산지, 경주마 연령, 경주마 부담중량, 경주마 체중, 경주마 체중변화, 요일, 경주마 군, 경주거리, 날씨, 주로상태, 주로습도의 상태에 따라 경주마의 기록이 변화하는 것을 알 수 있다.

♣ 확장모형

Scaling 전 기록의 종속변수와 52가지의 확장된 독립변수로 단계적 회귀분석을 실시하여 식(3)와 같은 기록을 예측하는 모형을 얻었다.

기본모형과 비슷한 결과로 결정계수 R²는 0.99 로 분석되어 이 예측모형은 99% 이상 설명력을 가지는 것으로 나타났다. 단계별 변수 선택법으로 선택된 변수를 통해 경주요일, 경주마군, 경주거리, 날씨, 주로상태, 주로습도, 경주마 산지, 경주마 연령, 경주마 부담중량, 경주마체중, 경주마 체중 변화, 경주마의 5등 횟수, 경주마 승군점수, 감독의 전체 경주수, 감독의 4등 횟수, 감독의 1등 승률, 감독의 최근 1년 경주수, 감독의 최근 1년 승률, 감독의 최근 1년 복승률, 기수의 1등 횟수, 기수의 1등 승률, 기수의 복승률, 기수의 최근 1년 2등 횟수의 상태에 따라 경주마의 기록이 변화하는 것을 알 수 있다.

♣ 종속변수의 정규화

종속변수 기록의 정규화를 통해 새로운 종속변수의 데이터를 구성하여 분석을 진행하였다. 기록 데이터를 Scaling 한 후 종속변수와 15가지의 독립 변수로 단계적 회귀분석을 실시하여 식(4)와 같은 기록을 예측하는 모형을 얻었다.

결정계수 R²는 0.99 로 분석되어 이 예측모형은 99% 이상 설명력을 가지는 것으로 나타났다. 단계별 변수 선택법으로 선택된 변수를 통해 경주 요일, 경주마 군, 경주 거리, 주로상태, 마번, 경주마 산지, 경주마 성별, 경 주마 연령, 경주마 부담중량, 경주마 체중, 경주마 체중 변화의 상태에 따라 경주마의 기록이 변화하는 것을 알 수 있다. 기록 데이터를 Scaling 한 후 종속변수와 52가지의 확장된 독립변수로 단계적 회귀분석을 실시하여 식(5)와 같은 기록을 예측하는 모형을 얻었다.

결정계수 R²는 0.99 로 분석되어 이 예측모형은 99% 이상 설명력을 가지는 것으로 나타났다. 단계별 변수 선택법으로 선택된 변수를 통해 경주마 군, 경주 거리, 날씨, 주로상태, 주로습도, 마번, 경주마 연령, 경주마 부담중량, 경주마 체중, 경주마 체중변화, 경주마의 1등 횟수, 경주마의 2등 횟수, 경주마의 3등 횟수, 경주마 승군점수, 감독의 전체 경주수, 감독의 3등 횟수, 감독의 1등 승률, 감독의 최근 1년 승률, 감독의 최근 1년 복승률, 기수의 1등 횟수, 기수의 승률, 기수의 복승률, 기수의 최근 1년 1등 횟수, 기수의 최근 1년 승률의 상태에 따라 경주마의 기록이 변화하는 것을 알 수 있다.