はじめに

下記は、Googleのサッカーの試合詳細ページに出てくる勝敗予想です

バルサ強いよねってのは置いといて、試合の勝敗予想をAutoML (ML.NET)による多項分類で実現してみます

教師データを用意する

今回は、得失点期待率(～Average)と試合結果(Result)をCSVファイルで用意しました。
※期待値直近10試合(ホーム・アウェーを加味)の平均
※レコード数は約4000件

result.csv

HomeGoalsForAverage,HomeGoalsAgainstAverage,AwayGoalsForAverage,AwayGoalsAgainstAverage,Result
0,0,0,0,D
2,0,0,2,W
0,2,2,0,L
0,1,1,0,L
1,1,1,1,D
1,1,1,1,D
4,2,2,4,W
1.5,1,1,2,W
1,0,1,0.5,W
  <略>

トレーニングする

ML.NETツールをインストールします。

dotnet tool install --global mlnet-win-x64

分類(classification)のトレーニングを実行します。

mlnet classification --dataset result.csv --label-col Result --name MatchClassification --train-time 200

トレーニングが開始されるので、いっぷくいれます

Start Training
start multiclass classification
Evaluate Metric: MacroAccuracy
Available Trainers: LGBM,FASTFOREST,FASTTREE,LBFGS,SDCA
Training time in second: 200
Use train validate split with ratio: 0.1
|      Trainer                             MacroAccuracy Duration    |
|--------------------------------------------------------------------|
|0     FastTreeOva                         0.5377     0.5700         |
|1     FastTreeOva                         0.5361     0.1750         |
|2     FastTreeOva                         0.5217     0.1790         |
|3     SdcaLogisticRegressionOva           0.3537     0.4790         |
  <略>
|880   LbfgsLogisticRegressionOva          0.5341     0.0940         |
|881   SdcaLogisticRegressionOva           0.5146     0.1140         |
|882   SdcaLogisticRegressionOva           0.5007     0.1650         |
|883   LbfgsLogisticRegressionOva          0.5341     0.0440         |
[Source=AutoMLExperiment, Kind=Info] cancel training because cancellation token is invoked...
|--------------------------------------------------------------------|
|                          Experiment Results                        |
|--------------------------------------------------------------------|
|                               Summary                              |
|--------------------------------------------------------------------|
|ML Task: multiclass classification                                  |
|Dataset: result.csv                                                 |
|Label : Result                                                      |
|Total experiment time :   199.0000 Secs                             |
|Total number of models explored: 885                                |
|--------------------------------------------------------------------|
|                        Top 5 models explored                       |
|--------------------------------------------------------------------|
|      Trainer                             MacroAccuracy Duration    |
|--------------------------------------------------------------------|
|527   LightGbmMulti                       0.5593     0.3120         |
|27    FastForestOva                       0.5570     0.5190         |
|339   FastForestOva                       0.5570     1.0630         |
|340   FastForestOva                       0.5570     0.9780         |
|365   FastForestOva                       0.5570     0.9440         |
|--------------------------------------------------------------------|
[Source=AutoMLExperiment, Kind=Info] cancel training because cancellation token is invoked...
save MatchClassification.mbconfig to C:\Users\kashin777\source\repos\ML\MatchClassification
場所に最適なパイプラインのためのコンソール プロジェクトを生成しています : C:\Users\kashin777\source\repos\ML\MatchClassification

トレーニングが完了しました
出力の内容から、今回一番良い結果を得られたのは
527回目に試行された「LightGbmMulti」で0.5593(約56%)の精度
となりました。

トレーニング結果のファイルを確認します。
*.mbconfig 学習の設計図（設定ファイル）
*mlnet 学習結果（完成品）

コンソールアプリのサンプルも出力されているので、実装時の参考にどうぞ

PS > dir 

    Directory: C:\Users\kashin777\source\repos\ML\MatchClassification

Mode                 LastWriteTime         Length Name
----                 -------------         ------ ----
-a---          2026/03/29    20:18           5877 MatchClassification.consumption.cs
-a---          2026/03/29    20:18            524 MatchClassification.csproj
-a---          2026/03/29    20:18           2748 MatchClassification.evaluate.cs
-a---          2026/03/29    20:18          10717 MatchClassification.mbconfig
-a---          2026/03/29    20:18          69562 MatchClassification.mlnet
-a---          2026/03/29    20:18           5964 MatchClassification.training.cs
-a---          2026/03/29    20:18           1608 Program.cs

結果を利用して推論する

ML.NETの結果を利用するので、必要パッケージをインストールします

パッケージ追加

App.csproj

		<PackageReference Include="Microsoft.Extensions.ML" Version="5.0.0" />
		<PackageReference Include="Microsoft.ML" Version="5.0.0" />
		<PackageReference Include="Microsoft.ML.FastTree" Version="5.0.0" />
		<PackageReference Include="Microsoft.ML.LightGbm" Version="5.0.0" />

選ばれたトレーナーに応じて、FastTree / LightGbm 等が必要です

実装

サービスを実装

using MyApp.Model;
using Microsoft.Extensions.ML;
using Microsoft.ML;
using Microsoft.ML.Data;
using System;
using System.Collections.Generic;
using System.Linq;

namespace MyApp.ML.MatchPrediction;

public class MatchPredictionService(PredictionEnginePool<MatchPredictionInput, MatchPredictionOutput> pool)
{
    private static IEnumerable<string>? labels = null;

    // 勝敗予想を取得
    public Model.MatchPrediction Predict(TeamResultBase HomeResult, TeamResultBase AwayResult)
    {
        labels ??= GetLabels(pool.GetPredictionEngine());

        var raw = pool!.Predict(new MatchPredictionInput
        {
            HomeGoalsForAverage = (float)HomeResult.GoalsForAverage,
            HomeGoalsAgainstAverage = (float)HomeResult.GoalsAgainstAverage,
            AwayGoalsForAverage = (float)AwayResult.GoalsForAverage,
            AwayGoalsAgainstAverage = (float)AwayResult.GoalsAgainstAverage
        });

        var result = GetScoreWithLabel(raw);

        return new Model.MatchPrediction
        {
            Win = result["W"],
            Draw = result["D"],
            Lose = result["L"],
        };
    }

    private Dictionary<string, float> GetScoreWithLabel(MatchPredictionOutput result)
    {
        var unlabeledScores = result.Score;

        Dictionary<string, float> labledScores = [];
        for (int i = 0; i < labels!.Count(); i++)
        {
            var labelName = labels!.ElementAt(i);
            labledScores.Add(labelName.ToString(), unlabeledScores[i]);
        }

        return labledScores;
    }

    private static IEnumerable<string> GetLabels(PredictionEngine<MatchPredictionInput, MatchPredictionOutput> predictionEngine)
    {
        var schema = predictionEngine.OutputSchema;

        var labelColumn = schema.GetColumnOrNull("Result");
        if (labelColumn == null)
        {
            throw new Exception("Result column not found. Make sure the name searched for matches the name in the schema.");
        }

        var keyNames = new VBuffer<ReadOnlyMemory<char>>();
        labelColumn.Value.GetKeyValues(ref keyNames);
        return keyNames.DenseValues().Select(x => x.ToString());
    }
}

public class MatchPredictionInput
{
    [LoadColumn(0)]
    [ColumnName(@"HomeGoalsForAverage")]
    public float HomeGoalsForAverage { get; set; } = 0f;

    [LoadColumn(1)]
    [ColumnName(@"HomeGoalsAgainstAverage")]
    public float HomeGoalsAgainstAverage { get; set; } = 0f;

    [LoadColumn(2)]
    [ColumnName(@"AwayGoalsForAverage")]
    public float AwayGoalsForAverage { get; set; } = 0f;

    [LoadColumn(3)]
    [ColumnName(@"AwayGoalsAgainstAverage")]
    public float AwayGoalsAgainstAverage { get; set; } = 0f;

    [LoadColumn(4)]
    [ColumnName(@"Result")]
    public string? Result { get; set; }
}

public class MatchPredictionOutput
{
    [ColumnName(@"PredictedLabel")]
    public string PredictedLabel { get; set; } = string.Empty;

    [ColumnName(@"Score")]
    public float[] Score { get; set; } = [];
}

DIコンテナへ登録

学習済みモデルをDIコンテナに登録します。

var modelFile = new FileInfo(Path.Combine(AppContext.BaseDirectory, "ML/MatchPrediction/MatchPrediction.mlnet"));
services.AddPredictionEnginePool<MatchPredictionInput, MatchPredictionOutput>().FromFile(modelFile.FullName);

services.AddTransient<MatchPredictionService>();

利用する

var predicator = App.AppHost.Services.GetRequiredService<MatchPredictionService>();
var matchPrediction = predicator.Predict(r.HomeResult, r.AwayResult);

結果

推論に使用する入力データとして、以下の3パターンを試してみました

All（シーズン全体）
Last 10（直近10試合）
Last 5（直近5試合）

Last 5の結果が、Google先生に近い結果となりました

アトレティコ vs バルサ

マジョルカ vs レアル

頑張れマジョルカ！

おわりに

精度56%の原因分析

ChatGPT先生によるアドバイス

みたい人だけどうぞ

今回のモデルは、MacroAccuracyが約56%という結果でした。
一見すると低く感じますが、この値にはいくつかの明確な理由があります。

① 特徴量がシンプルすぎる

今回使用した特徴量は以下の4つのみです。

HomeGoalsForAverage
HomeGoalsAgainstAverage
AwayGoalsForAverage
AwayGoalsAgainstAverage

これらはチームの平均的な強さを表す指標ではありますが、試合単位の結果を決定するには情報が不足しています。

サッカーの勝敗は以下のような要素にも大きく影響されます：

直近の調子（フォーム）
ホーム／アウェイ差
対戦相性
怪我・出場停止
日程（疲労）

👉 「長期平均だけで短期の結果を当てようとしている」状態です。

② 引き分け（D）の予測が難しい

3クラス分類（W / D / L）において、最も難しいのが「引き分け」です。

理由：

発生確率が中間的（約20〜30%）
ノイズに近く、偶然性が高い
特徴量との相関が弱い

その結果：

W / L はそこそこ当たる
D が外れやすい
→ 全体精度が低下する

👉 多クラス分類における典型的な難所です

③ クラス不均衡の影響

データの分布が例えば以下のような場合：

W：45%
D：25%
L：30%

モデルは「当てやすいクラス（W）」に偏りやすくなります。

その結果：

Wの予測が多くなる
Dの再現率が低くなる

👉 MacroAccuracyを使用していても、完全には影響を避けられません

④ データ数がやや少ない

約4,000件は一見十分に見えますが、

サッカーはばらつきが大きい
条件の組み合わせが多い（ホーム×相手×時期）

といった特性があります。

👉 実質的には「パターン不足」の状態です

特に以下のようなケースが不足しがちです：

強豪 vs 弱小
中位同士
ダービーマッチ

⑤ 時系列を無視している

今回の学習はAutoMLによるランダム分割です。

しかし、実際の予測は

過去 → 未来

の流れで行われます。

ランダム分割では：

未来の情報が学習に混ざる可能性がある
実運用より高いスコアが出やすい（データリーク気味）

👉 それでも56%ということは、実運用ではさらに下がる可能性があります

⑥ 特徴量の「粒度」が粗い

例：

シーズン平均（All）
直近5試合（Last5）

サッカーは「流れのスポーツ」であり、

直近の好不調
監督交代
戦術変更

などの影響を強く受けます。

👉 平均値だけでは、この変化を捉えることができません

💡 まとめ

今回の56%という精度は、

シンプルな特徴量で、ノイズの多い問題に挑んだ結果としては妥当

と言えます。

🚀 改善の優先順位

精度を上げるために、特に効果の高い改善案は以下の通りです。

直近データ（Last5 / Last10）を追加する
→ 最も効果が高い（+5〜10%も期待できる）
ホーム／アウェイ成績を分離する
→ より実態に近づく
順位・勝ち点差を特徴量に追加する
→ チーム力の相対比較が可能になる
引き分け対策（2値分類の検討）
→ 勝ち / 非勝ちなど
データ数を増やす（複数リーグ・複数シーズン）

👍 一言でまとめると

👉 強いチームかどうかは分かる
👉 しかし「その試合で勝つか」は分からない