札幌 6R 詳細AI予想
本レースの全馬 AI 評価と推奨馬券を掲載します。期待値プラスと判定した馬のみ買い目に含めています。
モデル
| 馬番 | 馬名 | 騎手 | オッズ |
AI評価 |
| 1 |
インフィオラータ |
浜中 |
実4.8 |
B△ A○勝率7% EV-65% 詳細▼ |
|
AI 評価の内訳 — 馬番 1 ◎ 高評価⇄× 低評価の 7 段階 (🌟◎ ◎ ○ ▲ △ ▽ ×) ×期待値 (オッズ vs AI勝率) -70% (大幅な期待値マイナス) AI 予想勝率 6.2% (オッズ暗示: 20.8%) ○Aモデルの評価 (参考) レース内 2位 / 勝率 7.1% / 期待値 -66% ※ 各因子の評価はモデルが学習した特徴量から算出。バーの長さは「その因子がレース内で占める影響の大きさ」の目安です。 |
| 2 |
フォルストランキル |
▲小林美 |
実8.0 |
B◎ A△勝率7% EV-42% 詳細▼ |
前5走 過去走データ取得失敗 (horse_results 不在) |
AI 評価の内訳 — 馬番 2 ◎ 高評価⇄× 低評価の 7 段階 (🌟◎ ◎ ○ ▲ △ ▽ ×) △期待値 (オッズ vs AI勝率) -0% (オッズ過剰評価) AI 予想勝率 12.5% (オッズ暗示: 12.5%) △Aモデルの評価 (参考) レース内 4位 / 勝率 7.1% / 期待値 -43% ※ 各因子の評価はモデルが学習した特徴量から算出。バーの長さは「その因子がレース内で占める影響の大きさ」の目安です。 |
| 3 |
トランスマリーン |
▲和田陽 |
実22.0 |
B▽ A▽勝率7% EV+57% 詳細▼ |
|
AI 評価の内訳 — 馬番 3 ◎ 高評価⇄× 低評価の 7 段階 (🌟◎ ◎ ○ ▲ △ ▽ ×) △期待値 (オッズ vs AI勝率) +9% (市場と概ね一致) AI 予想勝率 5.0% (オッズ暗示: 4.5%) ▽Aモデルの評価 (参考) レース内 9位 / 勝率 7.1% / 期待値 +57% ※ 各因子の評価はモデルが学習した特徴量から算出。バーの長さは「その因子がレース内で占める影響の大きさ」の目安です。 |
| 4 |
ケナゲ |
★河原田 |
実12.9 |
B△ A▽勝率7% EV-7% 詳細▼ |
|
AI 評価の内訳 — 馬番 4 ◎ 高評価⇄× 低評価の 7 段階 (🌟◎ ◎ ○ ▲ △ ▽ ×) △期待値 (オッズ vs AI勝率) +11% (市場と概ね一致) AI 予想勝率 8.6% (オッズ暗示: 7.8%) ▽Aモデルの評価 (参考) レース内 8位 / 勝率 7.1% / 期待値 -8% ※ 各因子の評価はモデルが学習した特徴量から算出。バーの長さは「その因子がレース内で占める影響の大きさ」の目安です。 |
| 5 |
グランフルス |
鮫島駿 |
実66.5 |
B▽ A▽勝率7% EV+375% 詳細▼ |
|
AI 評価の内訳 — 馬番 5 ◎ 高評価⇄× 低評価の 7 段階 (🌟◎ ◎ ○ ▲ △ ▽ ×) 🌟◎期待値 (オッズ vs AI勝率) +231% (市場が大幅過小評価) AI 予想勝率 5.0% (オッズ暗示: 1.5%) ▽Aモデルの評価 (参考) レース内 14位 / 勝率 7.1% / 期待値 +375% ※ 各因子の評価はモデルが学習した特徴量から算出。バーの長さは「その因子がレース内で占める影響の大きさ」の目安です。 |
| 6 |
ヘクセンハウス |
丹内 |
実7.8 |
B△ A▲勝率7% EV-44% 詳細▼ |
|
AI 評価の内訳 — 馬番 6 ◎ 高評価⇄× 低評価の 7 段階 (🌟◎ ◎ ○ ▲ △ ▽ ×) ×期待値 (オッズ vs AI勝率) -52% (大幅な期待値マイナス) AI 予想勝率 6.2% (オッズ暗示: 12.8%) ▲Aモデルの評価 (参考) レース内 3位 / 勝率 7.1% / 期待値 -44% ※ 各因子の評価はモデルが学習した特徴量から算出。バーの長さは「その因子がレース内で占める影響の大きさ」の目安です。 |
| 7 |
アート |
横山武 |
実8.8 |
B× A△勝率7% EV-37% 詳細▼ |
前5走 過去走データ取得失敗 (horse_results 不在) |
AI 評価の内訳 — 馬番 7 ◎ 高評価⇄× 低評価の 7 段階 (🌟◎ ◎ ○ ▲ △ ▽ ×) ×期待値 (オッズ vs AI勝率) -54% (大幅な期待値マイナス) AI 予想勝率 5.2% (オッズ暗示: 11.4%) △Aモデルの評価 (参考) レース内 5位 / 勝率 7.1% / 期待値 -37% ※ 各因子の評価はモデルが学習した特徴量から算出。バーの長さは「その因子がレース内で占める影響の大きさ」の目安です。 |
| 8 |
ウインアベリア |
▲遠藤 |
実43.2 |
B▲ A▽勝率7% EV+208% 詳細▼ |
|
AI 評価の内訳 — 馬番 8 ◎ 高評価⇄× 低評価の 7 段階 (🌟◎ ◎ ○ ▲ △ ▽ ×) 🌟◎期待値 (オッズ vs AI勝率) +439% (市場が大幅過小評価) AI 予想勝率 12.5% (オッズ暗示: 2.3%) ▽Aモデルの評価 (参考) レース内 13位 / 勝率 7.1% / 期待値 +209% ※ 各因子の評価はモデルが学習した特徴量から算出。バーの長さは「その因子がレース内で占める影響の大きさ」の目安です。 |
| 9 |
テンレディーゴー |
佐々木 |
実26.4 |
B▽ A▽勝率7% EV+88% 詳細▼ |
|
AI 評価の内訳 — 馬番 9 ◎ 高評価⇄× 低評価の 7 段階 (🌟◎ ◎ ○ ▲ △ ▽ ×) ◎期待値 (オッズ vs AI勝率) +31% (妙味あり) AI 予想勝率 5.0% (オッズ暗示: 3.8%) ▽Aモデルの評価 (参考) レース内 11位 / 勝率 7.1% / 期待値 +89% ※ 各因子の評価はモデルが学習した特徴量から算出。バーの長さは「その因子がレース内で占める影響の大きさ」の目安です。 |
| 10 |
コワンニシタガウ |
武豊 |
実4.6 |
B× A×勝率7% EV-67% 詳細▼ |
前5走 過去走データ取得失敗 (horse_results 不在) |
AI 評価の内訳 — 馬番 10 ◎ 高評価⇄× 低評価の 7 段階 (🌟◎ ◎ ○ ▲ △ ▽ ×) ×期待値 (オッズ vs AI勝率) -77% (大幅な期待値マイナス) AI 予想勝率 5.0% (オッズ暗示: 21.7%) ×Aモデルの評価 (参考) レース内 1位 / 勝率 7.1% / 期待値 -67% ※ 各因子の評価はモデルが学習した特徴量から算出。バーの長さは「その因子がレース内で占める影響の大きさ」の目安です。 |
| 11 |
ルナティックブルー |
小沢 |
実9.9 |
B▽ A△勝率7% EV-29% 詳細▼ |
前5走 過去走データ取得失敗 (horse_results 不在) |
AI 評価の内訳 — 馬番 11 ◎ 高評価⇄× 低評価の 7 段階 (🌟◎ ◎ ○ ▲ △ ▽ ×) ×期待値 (オッズ vs AI勝率) -39% (大幅な期待値マイナス) AI 予想勝率 6.2% (オッズ暗示: 10.1%) △Aモデルの評価 (参考) レース内 6位 / 勝率 7.1% / 期待値 -29% ※ 各因子の評価はモデルが学習した特徴量から算出。バーの長さは「その因子がレース内で占める影響の大きさ」の目安です。 |
| 12 |
ギルランダ 推奨 |
☆舟山 |
実11.0 |
B○ A▽勝率7% EV-21% 詳細▼ |
|
AI 評価の内訳 — 馬番 12 ◎ 高評価⇄× 低評価の 7 段階 (🌟◎ ◎ ○ ▲ △ ▽ ×) ◎期待値 (オッズ vs AI勝率) +37% (妙味あり) AI 予想勝率 12.5% (オッズ暗示: 9.1%) ▽Aモデルの評価 (参考) レース内 7位 / 勝率 7.1% / 期待値 -21% ※ 各因子の評価はモデルが学習した特徴量から算出。バーの長さは「その因子がレース内で占める影響の大きさ」の目安です。 |
| 13 |
ルージュアイラ |
◇古川奈 |
実31.7 |
B▽ A▽勝率7% EV+126% 詳細▼ |
前5走 過去走データ取得失敗 (horse_results 不在) |
AI 評価の内訳 — 馬番 13 ◎ 高評価⇄× 低評価の 7 段階 (🌟◎ ◎ ○ ▲ △ ▽ ×) 🌟◎期待値 (オッズ vs AI勝率) +57% (市場が大幅過小評価) AI 予想勝率 5.0% (オッズ暗示: 3.2%) ▽Aモデルの評価 (参考) レース内 12位 / 勝率 7.1% / 期待値 +126% ※ 各因子の評価はモデルが学習した特徴量から算出。バーの長さは「その因子がレース内で占める影響の大きさ」の目安です。 |
| 14 |
セイントクーヤ |
☆長浜 |
実23.5 |
B▽ A▽勝率7% EV+67% 詳細▼ |
|
AI 評価の内訳 — 馬番 14 ◎ 高評価⇄× 低評価の 7 段階 (🌟◎ ◎ ○ ▲ △ ▽ ×) △期待値 (オッズ vs AI勝率) +22% (市場と概ね一致) AI 予想勝率 5.2% (オッズ暗示: 4.3%) ▽Aモデルの評価 (参考) レース内 10位 / 勝率 7.1% / 期待値 +68% ※ 各因子の評価はモデルが学習した特徴量から算出。バーの長さは「その因子がレース内で占める影響の大きさ」の目安です。 |
AI評価
🌟◎鉄板本命 ◎本命 ○対抗 ▲注目
△押さえ ▽下位 ×推奨外
／ 期待値 100円賭けたときの想定利益率
／ オッズ 実=リアル取得済 推定=推定オッズ
AIの推奨本命の次点
出走馬全14頭
△期待値 (オッズ vs AI勝率)
-0% (オッズ過剰評価)
AI 予想勝率
12.5% (オッズ暗示: 12.5%)
△Aモデルの評価 (参考)
レース内 4位 / 勝率 7.1% / 期待値 -43%
◎期待値 (オッズ vs AI勝率)
+37% (妙味あり)
AI 予想勝率
12.5% (オッズ暗示: 9.1%)
▽Aモデルの評価 (参考)
レース内 7位 / 勝率 7.1% / 期待値 -21%
🌟◎期待値 (オッズ vs AI勝率)
+439% (市場が大幅過小評価)
AI 予想勝率
12.5% (オッズ暗示: 2.3%)
▽Aモデルの評価 (参考)
レース内 13位 / 勝率 7.1% / 期待値 +209%
△期待値 (オッズ vs AI勝率)
+11% (市場と概ね一致)
AI 予想勝率
8.6% (オッズ暗示: 7.8%)
▽Aモデルの評価 (参考)
レース内 8位 / 勝率 7.1% / 期待値 -8%
×期待値 (オッズ vs AI勝率)
-70% (大幅な期待値マイナス)
AI 予想勝率
6.2% (オッズ暗示: 20.8%)
○Aモデルの評価 (参考)
レース内 2位 / 勝率 7.1% / 期待値 -66%
×期待値 (オッズ vs AI勝率)
-52% (大幅な期待値マイナス)
AI 予想勝率
6.2% (オッズ暗示: 12.8%)
▲Aモデルの評価 (参考)
レース内 3位 / 勝率 7.1% / 期待値 -44%
×期待値 (オッズ vs AI勝率)
-39% (大幅な期待値マイナス)
AI 予想勝率
6.2% (オッズ暗示: 10.1%)
△Aモデルの評価 (参考)
レース内 6位 / 勝率 7.1% / 期待値 -29%
×期待値 (オッズ vs AI勝率)
-54% (大幅な期待値マイナス)
AI 予想勝率
5.2% (オッズ暗示: 11.4%)
△Aモデルの評価 (参考)
レース内 5位 / 勝率 7.1% / 期待値 -37%
△期待値 (オッズ vs AI勝率)
+22% (市場と概ね一致)
AI 予想勝率
5.2% (オッズ暗示: 4.3%)
▽Aモデルの評価 (参考)
レース内 10位 / 勝率 7.1% / 期待値 +68%
×期待値 (オッズ vs AI勝率)
-77% (大幅な期待値マイナス)
AI 予想勝率
5.0% (オッズ暗示: 21.7%)
×Aモデルの評価 (参考)
レース内 1位 / 勝率 7.1% / 期待値 -67%
△期待値 (オッズ vs AI勝率)
+9% (市場と概ね一致)
AI 予想勝率
5.0% (オッズ暗示: 4.5%)
▽Aモデルの評価 (参考)
レース内 9位 / 勝率 7.1% / 期待値 +57%
◎期待値 (オッズ vs AI勝率)
+31% (妙味あり)
AI 予想勝率
5.0% (オッズ暗示: 3.8%)
▽Aモデルの評価 (参考)
レース内 11位 / 勝率 7.1% / 期待値 +89%
🌟◎期待値 (オッズ vs AI勝率)
+57% (市場が大幅過小評価)
AI 予想勝率
5.0% (オッズ暗示: 3.2%)
▽Aモデルの評価 (参考)
レース内 12位 / 勝率 7.1% / 期待値 +126%
🌟◎期待値 (オッズ vs AI勝率)
+231% (市場が大幅過小評価)
AI 予想勝率
5.0% (オッズ暗示: 1.5%)
▽Aモデルの評価 (参考)
レース内 14位 / 勝率 7.1% / 期待値 +375%
💡 各馬をタップでAI評価の根拠を表示。印は推奨モデル (B) 基準、「A:」は A モデルの評価。買い目は期待値プラスのみ推奨。
このレースの推奨馬券 2モデル並走 (AI 期待値プラス判定)
A. 現行モデル (binary)
このモデルは本レース見送り判定（期待値プラスなし）
B. 新モデル (rank最適化 + leak-free + 確率校正)
-
単勝
12
ギルランダ
実11.0倍
期待値 +37%
推奨 10.0〜30.0倍
200円
| 馬番 | 馬名 | 騎手 | オッズ |
AI評価 |
| 1 |
インフィオラータ |
浜中 |
実4.8 |
○詳細▼ |
|
AI 評価の内訳 — 馬番 1 ◎ 高評価⇄× 低評価の 7 段階 (🌟◎ ◎ ○ ▲ △ ▽ ×) ×期待値 (オッズ vs AI勝率) -66% (大幅な期待値マイナス) AI 予想勝率 7.1% (オッズ暗示: 20.8%) ※ 各因子の評価はモデルが学習した特徴量から算出。バーの長さは「その因子がレース内で占める影響の大きさ」の目安です。 |
| 2 |
フォルストランキル |
▲小林美 |
実8.0 |
△詳細▼ |
前5走 過去走データ取得失敗 (horse_results 不在) |
AI 評価の内訳 — 馬番 2 ◎ 高評価⇄× 低評価の 7 段階 (🌟◎ ◎ ○ ▲ △ ▽ ×) ×期待値 (オッズ vs AI勝率) -43% (大幅な期待値マイナス) AI 予想勝率 7.1% (オッズ暗示: 12.5%) ※ 各因子の評価はモデルが学習した特徴量から算出。バーの長さは「その因子がレース内で占める影響の大きさ」の目安です。 |
| 3 |
トランスマリーン |
▲和田陽 |
実22.0 |
▽詳細▼ |
|
AI 評価の内訳 — 馬番 3 ◎ 高評価⇄× 低評価の 7 段階 (🌟◎ ◎ ○ ▲ △ ▽ ×) 🌟◎期待値 (オッズ vs AI勝率) +57% (市場が大幅過小評価) AI 予想勝率 7.1% (オッズ暗示: 4.5%) ※ 各因子の評価はモデルが学習した特徴量から算出。バーの長さは「その因子がレース内で占める影響の大きさ」の目安です。 |
| 4 |
ケナゲ |
★河原田 |
実12.9 |
▽詳細▼ |
|
AI 評価の内訳 — 馬番 4 ◎ 高評価⇄× 低評価の 7 段階 (🌟◎ ◎ ○ ▲ △ ▽ ×) △期待値 (オッズ vs AI勝率) -8% (オッズ過剰評価) AI 予想勝率 7.1% (オッズ暗示: 7.8%) ※ 各因子の評価はモデルが学習した特徴量から算出。バーの長さは「その因子がレース内で占める影響の大きさ」の目安です。 |
| 5 |
グランフルス |
鮫島駿 |
実66.5 |
▽詳細▼ |
|
AI 評価の内訳 — 馬番 5 ◎ 高評価⇄× 低評価の 7 段階 (🌟◎ ◎ ○ ▲ △ ▽ ×) 🌟◎期待値 (オッズ vs AI勝率) +375% (市場が大幅過小評価) AI 予想勝率 7.1% (オッズ暗示: 1.5%) ※ 各因子の評価はモデルが学習した特徴量から算出。バーの長さは「その因子がレース内で占める影響の大きさ」の目安です。 |
| 6 |
ヘクセンハウス |
丹内 |
実7.8 |
▲詳細▼ |
|
AI 評価の内訳 — 馬番 6 ◎ 高評価⇄× 低評価の 7 段階 (🌟◎ ◎ ○ ▲ △ ▽ ×) ×期待値 (オッズ vs AI勝率) -44% (大幅な期待値マイナス) AI 予想勝率 7.1% (オッズ暗示: 12.8%) ※ 各因子の評価はモデルが学習した特徴量から算出。バーの長さは「その因子がレース内で占める影響の大きさ」の目安です。 |
| 7 |
アート |
横山武 |
実8.8 |
△詳細▼ |
前5走 過去走データ取得失敗 (horse_results 不在) |
AI 評価の内訳 — 馬番 7 ◎ 高評価⇄× 低評価の 7 段階 (🌟◎ ◎ ○ ▲ △ ▽ ×) ×期待値 (オッズ vs AI勝率) -37% (大幅な期待値マイナス) AI 予想勝率 7.1% (オッズ暗示: 11.4%) ※ 各因子の評価はモデルが学習した特徴量から算出。バーの長さは「その因子がレース内で占める影響の大きさ」の目安です。 |
| 8 |
ウインアベリア |
▲遠藤 |
実43.2 |
▽詳細▼ |
|
AI 評価の内訳 — 馬番 8 ◎ 高評価⇄× 低評価の 7 段階 (🌟◎ ◎ ○ ▲ △ ▽ ×) 🌟◎期待値 (オッズ vs AI勝率) +208% (市場が大幅過小評価) AI 予想勝率 7.1% (オッズ暗示: 2.3%) ※ 各因子の評価はモデルが学習した特徴量から算出。バーの長さは「その因子がレース内で占める影響の大きさ」の目安です。 |
| 9 |
テンレディーゴー |
佐々木 |
実26.4 |
▽詳細▼ |
|
AI 評価の内訳 — 馬番 9 ◎ 高評価⇄× 低評価の 7 段階 (🌟◎ ◎ ○ ▲ △ ▽ ×) 🌟◎期待値 (オッズ vs AI勝率) +88% (市場が大幅過小評価) AI 予想勝率 7.1% (オッズ暗示: 3.8%) ※ 各因子の評価はモデルが学習した特徴量から算出。バーの長さは「その因子がレース内で占める影響の大きさ」の目安です。 |
| 10 |
コワンニシタガウ |
武豊 |
実4.6 |
×詳細▼ |
前5走 過去走データ取得失敗 (horse_results 不在) |
AI 評価の内訳 — 馬番 10 ◎ 高評価⇄× 低評価の 7 段階 (🌟◎ ◎ ○ ▲ △ ▽ ×) ×期待値 (オッズ vs AI勝率) -67% (大幅な期待値マイナス) AI 予想勝率 7.1% (オッズ暗示: 21.7%) ※ 各因子の評価はモデルが学習した特徴量から算出。バーの長さは「その因子がレース内で占める影響の大きさ」の目安です。 |
| 11 |
ルナティックブルー |
小沢 |
実9.9 |
△詳細▼ |
前5走 過去走データ取得失敗 (horse_results 不在) |
AI 評価の内訳 — 馬番 11 ◎ 高評価⇄× 低評価の 7 段階 (🌟◎ ◎ ○ ▲ △ ▽ ×) △期待値 (オッズ vs AI勝率) -29% (オッズ過剰評価) AI 予想勝率 7.1% (オッズ暗示: 10.1%) ※ 各因子の評価はモデルが学習した特徴量から算出。バーの長さは「その因子がレース内で占める影響の大きさ」の目安です。 |
| 12 |
ギルランダ 推奨 |
☆舟山 |
実11.0 |
▽詳細▼ |
|
AI 評価の内訳 — 馬番 12 ◎ 高評価⇄× 低評価の 7 段階 (🌟◎ ◎ ○ ▲ △ ▽ ×) △期待値 (オッズ vs AI勝率) -21% (オッズ過剰評価) AI 予想勝率 7.1% (オッズ暗示: 9.1%) ※ 各因子の評価はモデルが学習した特徴量から算出。バーの長さは「その因子がレース内で占める影響の大きさ」の目安です。 |
| 13 |
ルージュアイラ |
◇古川奈 |
実31.7 |
▽詳細▼ |
前5走 過去走データ取得失敗 (horse_results 不在) |
AI 評価の内訳 — 馬番 13 ◎ 高評価⇄× 低評価の 7 段階 (🌟◎ ◎ ○ ▲ △ ▽ ×) 🌟◎期待値 (オッズ vs AI勝率) +126% (市場が大幅過小評価) AI 予想勝率 7.1% (オッズ暗示: 3.2%) ※ 各因子の評価はモデルが学習した特徴量から算出。バーの長さは「その因子がレース内で占める影響の大きさ」の目安です。 |
| 14 |
セイントクーヤ |
☆長浜 |
実23.5 |
▽詳細▼ |
|
AI 評価の内訳 — 馬番 14 ◎ 高評価⇄× 低評価の 7 段階 (🌟◎ ◎ ○ ▲ △ ▽ ×) 🌟◎期待値 (オッズ vs AI勝率) +67% (市場が大幅過小評価) AI 予想勝率 7.1% (オッズ暗示: 4.3%) ※ 各因子の評価はモデルが学習した特徴量から算出。バーの長さは「その因子がレース内で占める影響の大きさ」の目安です。 |
AI評価
🌟◎鉄板本命 ◎本命 ○対抗 ▲注目
△押さえ ▽下位 ×推奨外
／ 期待値 100円賭けたときの想定利益率
／ オッズ 実=リアル取得済 推定=推定オッズ
AIの推奨本命の次点
出走馬全14頭
×期待値 (オッズ vs AI勝率)
-67% (大幅な期待値マイナス)
AI 予想勝率
7.1% (オッズ暗示: 21.7%)
×期待値 (オッズ vs AI勝率)
-66% (大幅な期待値マイナス)
AI 予想勝率
7.1% (オッズ暗示: 20.8%)
×期待値 (オッズ vs AI勝率)
-44% (大幅な期待値マイナス)
AI 予想勝率
7.1% (オッズ暗示: 12.8%)
×期待値 (オッズ vs AI勝率)
-43% (大幅な期待値マイナス)
AI 予想勝率
7.1% (オッズ暗示: 12.5%)
×期待値 (オッズ vs AI勝率)
-37% (大幅な期待値マイナス)
AI 予想勝率
7.1% (オッズ暗示: 11.4%)
△期待値 (オッズ vs AI勝率)
-29% (オッズ過剰評価)
AI 予想勝率
7.1% (オッズ暗示: 10.1%)
△期待値 (オッズ vs AI勝率)
-21% (オッズ過剰評価)
AI 予想勝率
7.1% (オッズ暗示: 9.1%)
△期待値 (オッズ vs AI勝率)
-8% (オッズ過剰評価)
AI 予想勝率
7.1% (オッズ暗示: 7.8%)
🌟◎期待値 (オッズ vs AI勝率)
+57% (市場が大幅過小評価)
AI 予想勝率
7.1% (オッズ暗示: 4.5%)
🌟◎期待値 (オッズ vs AI勝率)
+67% (市場が大幅過小評価)
AI 予想勝率
7.1% (オッズ暗示: 4.3%)
🌟◎期待値 (オッズ vs AI勝率)
+88% (市場が大幅過小評価)
AI 予想勝率
7.1% (オッズ暗示: 3.8%)
🌟◎期待値 (オッズ vs AI勝率)
+126% (市場が大幅過小評価)
AI 予想勝率
7.1% (オッズ暗示: 3.2%)
🌟◎期待値 (オッズ vs AI勝率)
+208% (市場が大幅過小評価)
AI 予想勝率
7.1% (オッズ暗示: 2.3%)
🌟◎期待値 (オッズ vs AI勝率)
+375% (市場が大幅過小評価)
AI 予想勝率
7.1% (オッズ暗示: 1.5%)
💡 各馬をタップでAI評価の根拠を表示。買い目は期待値プラスのみ推奨。
このレースの推奨馬券 2モデル並走 (AI 期待値プラス判定)
A. 現行モデル (binary)
このモデルは本レース見送り判定（期待値プラスなし）
B. 新モデル (rank最適化 + leak-free + 確率校正)
-
単勝
12
ギルランダ
実11.0倍
期待値 -21%
推奨 14.0〜30.0倍
200円
本サイトの予想は機械学習モデルによる参考情報です。過去の実績は将来の結果を保証しません。投資判断は自己責任でお願いします。本サイト運営者は損失について一切の責任を負いません。20歳未満の方は馬券を購入できません。
