DeepSeek/LSTM.6x45

Чтобы улучшить модель предсказания лотерейных чисел, предлагаю комплексный подход, сочетающий технические улучшения и анализ закономерностей. Вот конкретные шаги:

1. Улучшение данных Добавьте временные признаки:

# В calculate_additional_features()
features['days_since_last'] = (draws['date'].iloc[i] - draws['date'].iloc[i-1]).days if i > 0 else 0
features['day_of_week'] = draws['date'].iloc[i].weekday()

Глубина статистики:

# Замените window_size=100 на динамическое окно
window_size = min(100, i)  # Для начальных тиражей

2. Усовершенствованная архитектура модели Добавьте механизм внимания:

from tensorflow.keras.layers import Attention

# После LSTM слоев:
attention = Attention()([lstm_layer, lstm_layer])
combined = Concatenate()([lstm_layer, attention, features_input])

Оптимизация гиперпараметров:

from kerastuner import HyperModel

class LotteryHyperModel(HyperModel):
    def build(self, hp):
        # Тестируем разные конфигурации
        num_layers = hp.Int('num_layers', 1, 3)
        units = hp.Choice('units', [64, 128, 256])
        dropout = hp.Float('dropout', 0.1, 0.5)
        
        # Строим модель с этими параметрами
        ...

3. Постобработка предсказаний Фильтрация нереалистичных комбинаций:

def filter_combination(comb):
    # Проверка четности (3 четных и 3 нечетных)
    even = sum(1 for num in comb if num % 2 == 0)
    # Проверка суммы (средняя ~138)
    sum_ok = 120 <= sum(comb) <= 160
    # Проверка распределения по десяткам
    tens = [num//10 for num in comb]
    unique_tens = len(set(tens))
    
    return even == 3 and sum_ok and unique_tens >= 4

4. Альтернативные подходы Ансамбль моделей:

# LSTM + Gradient Boosting
from sklearn.ensemble import GradientBoostingRegressor

# Обучаем GBM на тех же признаках
gbm = GradientBoostingRegressor()
gbm.fit(X_feat_scaled, y_scaled)

# Комбинируем предсказания
lstm_pred = model.predict([X_seq_test, X_feat_test])
gbm_pred = gbm.predict(X_feat_test)
final_pred = 0.7 * lstm_pred + 0.3 * gbm_pred  # Взвешенное среднее

5. Анализ результатов Визуализация важности признаков:

import seaborn as sns

# Для GBM модели
feature_importance = gbm.feature_importances_
sns.barplot(x=feature_importance, y=['hot_count', 'cold_count', 'last_seen', 'frequency'])

Точность по позициям:

# Проверяем, на каких позициях чаще угадываем
position_accuracy = []
for pos in range(6):
    correct = sum(1 for pred, real in zip(predictions, y_test) if pred[pos] in real)
    position_accuracy.append(correct/len(y_test))

plt.bar(range(1,7), position_accuracy)
plt.title('Точность по позициям')

6. Регулярное обновление Автоматический пайплайн:

# Еженедельное обновление
import schedule
import time

def weekly_job():
    update_data()
    retrain_model()
    make_predictions()

schedule.every().week.do(weekly_job)

while True:
    schedule.run_pending()
    time.sleep(1)

Ключевые улучшения: Гибридная архитектура - комбинаци