プロジェクト概要

過去のロト6抽選データを分析し、機械学習アルゴリズムを用いて次回の当選番号を予測するWebアプリケーションです。2つの異なる予測モデルを実装し、結果を比較表示することで、多角的な予測を提供します。

開発目的

機械学習を活用した実践的なデータ分析スキルの習得
複数の予測モデルの実装と比較検証
モダンなWebアプリケーション開発

使用技術

プログラミング言語

Python 3.x HTML5 CSS3 JavaScript

バックエンド

Flask 3.0.3 scikit-learn 1.7.1 pandas 2.3.1 NumPy 2.3.2 Selenium 4.34.2 webdriver-manager 4.0.2

Selenium: WebブラウザでのXPath要素取得によるデータ自動収集
webdriver-manager: ChromeDriverの自動管理

フロントエンド

Vanilla JavaScript CSS Grid/Flexbox CSS Animations

主な機能

1. 2つの予測モデルによる比較分析

モデルA: 確率モデル（ロジスティック回帰）

過去の出現パターンを統計的に分析
特徴量: 直近出現回数、累計出現数、経過回数など10種類
クラス不均衡対策として class_weight="balanced" を適用

モデルB: RandomForestモデル

アンサンブル学習による高精度予測
複雑なパターン・非線形関係の学習
特徴量重要度の可視化が可能

2. 自動データ収集機能

SeleniumによるWebブラウザ自動操作
XPathを使った要素取得による過去の抽選結果の自動収集
みずほ銀行公式サイトから複数URLを巡回してデータ取得
取得データのCSV形式での保存

3. モダンなUI/UX

グラデーション背景による視覚的に魅力的なデザイン
ボールのバウンスアニメーション効果
予測計算中のローディング表示
レスポンシブデザイン（PC・タブレット・スマートフォン対応）

4. 予測結果の視覚化

本数字6個とボーナス数字を直感的に表示
2つのモデルの予測結果を並列比較
ボール形式での見やすい表示

システム構成

データフロー

公式サイト

↓ Selenium XPath取得

collect_loto6.py（データ収集）

↓ CSV出力

loto6_results.csv

↓ データ読込

予測モデルA・B（学習・推論）

↓

Flask（結果表示）

↓

index.html（ブラウザ表示）

工夫した点

1. 機械学習モデルの工夫

クラス不均衡対策: 出現しない数字が圧倒的に多いため、class_weightで調整
特徴量エンジニアリング: 10種類の独自特徴量を設計
- 直近5回/10回の出現回数
- 累計出現回数
- 最終出現からの経過回数
- ボーナス数字としての出現傾向
- 時間トレンド

2. フォールバック機能

scikit-learnが利用できない環境でもヒューリスティック手法で動作
データ不足時の自動切り替え

3. UX/UIデザイン

非同期処理: 予測計算中もUIが固まらない設計
視覚フィードバック: ローディングアニメーションで待機時間を退屈させない
色分け: 本数字（金色）とボーナス数字（青色）を明確に区別

4. 保守性・拡張性

型ヒント（Type Hints）による可読性向上
関数の単一責任原則（SRP）に基づいた設計
CSV形式の柔軟な対応（複数ヘッダー形式に対応）

特徴量設計の詳細

各数字（1～43）について以下の特徴量を抽出：

特徴量	説明	目的
`recent5_cnt`	直近5回での出現回数	短期トレンド
`recent10_cnt`	直近10回での出現回数	中期トレンド
`cumulative_cnt`	累計出現回数	長期的な出現頻度
`last_draw_flag`	前回出現したか	連続出現傾向
`recent5_bonus_cnt`	直近5回でボーナス出現	ボーナス短期傾向
`recent10_bonus_cnt`	直近10回でボーナス出現	ボーナス中期傾向
`cumulative_bonus_cnt`	ボーナス累計出現	ボーナス長期傾向
`gap_main`	最終出現からの経過回数	Recency効果
`gap_bonus`	ボーナス最終出現からの経過	ボーナスRecency
`time_trend`	時間的トレンド（正規化）	経年変化

技術的ハイライト

1. 複数モデルの並列実行

# 2つのモデルを同時に実行し結果を比較
prob_main, prob_bonus = predict_probabilities(draws_main, draws_bonus)
a_main_numbers, a_bonus_number = pick_numbers(prob_main, prob_bonus)

b_main_numbers, b_bonus_number = run_been_model("loto6_results.csv", time_to_predict=next_time)

2. 柔軟なCSV読み込み

# 複数の異なるヘッダー形式に対応
# 例: "数字1", "num_1", "当選番号1" など

3. エラーハンドリング

try:
    # メインロジック
except Exception as e:
    # フォールバック処理
    context["error"] = f"エラー: {e}"

開発情報

開発形態

個人開発

役割

企画・設計・実装・テスト

開発時の注意事項

本プロジェクトは教育・学習目的で開発しました。開発および使用にあたり、以下の点に配慮しています。

データ収集における配慮

公開データのみを使用し、みずほ銀行公式サイトの利用規約を遵守
適切な待機時間（sleep）を設定し、サーバーへの負荷を最小限に抑制
過度なアクセスを避け、必要最小限のデータ取得に留める
取得したデータは個人的な学習目的にのみ使用

予測システムの位置づけ

機械学習技術の学習・検証を目的とした実験的プロジェクト
予測結果は統計的な分析に基づくものであり、確実性を保証するものではない
本システムを商用利用や実際の購入判断には使用していない
ギャンブル依存症への配慮から、あくまで技術研究の範囲内で運用

倫理的配慮

本ツールはポートフォリオとしての技術紹介を目的としている
オープンソースとして公開せず、悪用防止に配慮
教育目的の範囲を超えた利用を推奨しない立場を明示

謝辞

データ提供: みずほ銀行ロト6公式サイト
機械学習ライブラリ: scikit-learn開発チーム
Webフレームワーク: Flask開発チーム
ブラウザ自動操作: Seleniumプロジェクト

デモ動画

実際の動作をご覧いただけます。予測モデルの動作や画面の使い方をわかりやすく紹介しています。