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3.4 |
B◎ A◎勝率24% EV-17% 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) -19% (オッズ過剰評価) AI 予想勝率 23.9% (オッズ暗示: 29.4%) ◎Aモデルの評価 (参考) レース内 1位 / 勝率 24.4% / 期待値 -17% ※ 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14.6 |
B▽ A▽勝率5% EV-30% 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) -30% (オッズ過剰評価) AI 予想勝率 4.8% (オッズ暗示: 6.8%) ▽Aモデルの評価 (参考) レース内 7位 / 勝率 4.8% / 期待値 -30% ※ 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32.5 |
B▽ A▽勝率2% EV-28% 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) -43% (大幅な期待値マイナス) AI 予想勝率 1.8% (オッズ暗示: 3.1%) ▽Aモデルの評価 (参考) レース内 9位 / 勝率 2.2% / 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。 |
| 4 |
ケナゲ |
★河原田 |
実14.5 |
B△ A△勝率5% EV-25% 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) -3% (オッズ過剰評価) AI 予想勝率 6.7% (オッズ暗示: 6.9%) △Aモデルの評価 (参考) レース内 6位 / 勝率 5.1% / 期待値 -26% ※ 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94.1 |
B▽ A▽勝率1% EV-23% 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) -30% (大幅な期待値マイナス) AI 予想勝率 0.7% (オッズ暗示: 1.1%) ▽Aモデルの評価 (参考) レース内 12位 / 勝率 0.8% / 期待値 -24% ※ 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6.7 |
B▲ A▲勝率15% EV-2% 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) -9% (オッズ過剰評価) AI 予想勝率 13.6% (オッズ暗示: 14.9%) ▲Aモデルの評価 (参考) レース内 3位 / 勝率 14.6% / 期待値 -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。 |
| 7 |
アート |
横山武 |
実7.8 |
B△ A△勝率10% EV-23% 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) -14% (オッズ過剰評価) AI 予想勝率 11.1% (オッズ暗示: 12.8%) △Aモデルの評価 (参考) レース内 4位 / 勝率 9.8% / 期待値 -23% ※ 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160.4 |
B× A▽勝率0% EV-29% 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) -52% (大幅な期待値マイナス) AI 予想勝率 0.3% (オッズ暗示: 0.6%) ▽Aモデルの評価 (参考) レース内 14位 / 勝率 0.4% / 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。 |
| 9 |
テンレディーゴー |
佐々木 |
実35.3 |
B▽ A×勝率1% EV-62% 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) -38% (大幅な期待値マイナス) AI 予想勝率 1.8% (オッズ暗示: 2.8%) ×Aモデルの評価 (参考) レース内 10位 / 勝率 1.1% / 期待値 -62% ※ 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3.8 |
B○ A○勝率21% EV-21% 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) -35% (大幅な期待値マイナス) AI 予想勝率 17.1% (オッズ暗示: 26.3%) ○Aモデルの評価 (参考) レース内 2位 / 勝率 20.7% / 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。 |
| 11 |
ルナティックブルー |
小沢 |
実8.4 |
B△ A△勝率10% EV-17% 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) -5% (オッズ過剰評価) AI 予想勝率 11.3% (オッズ暗示: 11.9%) △Aモデルの評価 (参考) レース内 5位 / 勝率 9.8% / 期待値 -17% ※ 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 |
☆舟山 |
実15.8 |
B▽ A▽勝率5% EV-24% 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) -24% (オッズ過剰評価) AI 予想勝率 4.8% (オッズ暗示: 6.3%) ▽Aモデルの評価 (参考) レース内 8位 / 勝率 4.8% / 期待値 -25% ※ 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130.3 |
B× A▽勝率0% 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 13 ◎ 高評価⇄× 低評価の 7 段階 (🌟◎ ◎ ○ ▲ △ ▽ ×) ×期待値 (オッズ vs AI勝率) -61% (大幅な期待値マイナス) AI 予想勝率 0.3% (オッズ暗示: 0.8%) ▽Aモデルの評価 (参考) レース内 13位 / 勝率 0.4% / 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。 |
| 14 |
セイントクーヤ |
☆長浜 |
実42.1 |
B▽ A×勝率1% EV-55% 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) -26% (オッズ過剰評価) AI 予想勝率 1.8% (オッズ暗示: 2.4%) ×Aモデルの評価 (参考) レース内 11位 / 勝率 1.1% / 期待値 -55% ※ 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)
-19% (オッズ過剰評価)
AI 予想勝率
23.9% (オッズ暗示: 29.4%)
◎Aモデルの評価 (参考)
レース内 1位 / 勝率 24.4% / 期待値 -17%
×期待値 (オッズ vs AI勝率)
-35% (大幅な期待値マイナス)
AI 予想勝率
17.1% (オッズ暗示: 26.3%)
○Aモデルの評価 (参考)
レース内 2位 / 勝率 20.7% / 期待値 -21%
△期待値 (オッズ vs AI勝率)
-9% (オッズ過剰評価)
AI 予想勝率
13.6% (オッズ暗示: 14.9%)
▲Aモデルの評価 (参考)
レース内 3位 / 勝率 14.6% / 期待値 -2%
△期待値 (オッズ vs AI勝率)
-5% (オッズ過剰評価)
AI 予想勝率
11.3% (オッズ暗示: 11.9%)
△Aモデルの評価 (参考)
レース内 5位 / 勝率 9.8% / 期待値 -17%
△期待値 (オッズ vs AI勝率)
-14% (オッズ過剰評価)
AI 予想勝率
11.1% (オッズ暗示: 12.8%)
△Aモデルの評価 (参考)
レース内 4位 / 勝率 9.8% / 期待値 -23%
△期待値 (オッズ vs AI勝率)
-3% (オッズ過剰評価)
AI 予想勝率
6.7% (オッズ暗示: 6.9%)
△Aモデルの評価 (参考)
レース内 6位 / 勝率 5.1% / 期待値 -26%
△期待値 (オッズ vs AI勝率)
-30% (オッズ過剰評価)
AI 予想勝率
4.8% (オッズ暗示: 6.8%)
▽Aモデルの評価 (参考)
レース内 7位 / 勝率 4.8% / 期待値 -30%
△期待値 (オッズ vs AI勝率)
-24% (オッズ過剰評価)
AI 予想勝率
4.8% (オッズ暗示: 6.3%)
▽Aモデルの評価 (参考)
レース内 8位 / 勝率 4.8% / 期待値 -25%
×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
1.8% (オッズ暗示: 3.1%)
▽Aモデルの評価 (参考)
レース内 9位 / 勝率 2.2% / 期待値 -29%
×期待値 (オッズ vs AI勝率)
-38% (大幅な期待値マイナス)
AI 予想勝率
1.8% (オッズ暗示: 2.8%)
×Aモデルの評価 (参考)
レース内 10位 / 勝率 1.1% / 期待値 -62%
△期待値 (オッズ vs AI勝率)
-26% (オッズ過剰評価)
AI 予想勝率
1.8% (オッズ暗示: 2.4%)
×Aモデルの評価 (参考)
レース内 11位 / 勝率 1.1% / 期待値 -55%
×期待値 (オッズ vs AI勝率)
-30% (大幅な期待値マイナス)
AI 予想勝率
0.7% (オッズ暗示: 1.1%)
▽Aモデルの評価 (参考)
レース内 12位 / 勝率 0.8% / 期待値 -24%
×期待値 (オッズ vs AI勝率)
-61% (大幅な期待値マイナス)
AI 予想勝率
0.3% (オッズ暗示: 0.8%)
▽Aモデルの評価 (参考)
レース内 13位 / 勝率 0.4% / 期待値 -43%
×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
0.3% (オッズ暗示: 0.6%)
▽Aモデルの評価 (参考)
レース内 14位 / 勝率 0.4% / 期待値 -29%
💡 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
両モデルとも本レースは見送り判定（期待値プラスなし）
| 馬番 | 馬名 | 騎手 | オッズ |
AI評価 |
| 1 |
インフィオラータ |
浜中 |
実3.4 |
◎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) -17% (オッズ過剰評価) AI 予想勝率 24.4% (オッズ暗示: 29.4%) ※ 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。 |
| 2 |
フォルストランキル |
▲小林美 |
実14.6 |
▽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 2 ◎ 高評価⇄× 低評価の 7 段階 (🌟◎ ◎ ○ ▲ △ ▽ ×) ×期待値 (オッズ vs AI勝率) -30% (大幅な期待値マイナス) AI 予想勝率 4.8% (オッズ暗示: 6.8%) ※ 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。 |
| 3 |
トランスマリーン |
▲和田陽 |
実32.5 |
▽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) -29% (オッズ過剰評価) AI 予想勝率 2.2% (オッズ暗示: 3.1%) ※ 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。 |
| 4 |
ケナゲ |
★河原田 |
実14.5 |
△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) -26% (オッズ過剰評価) AI 予想勝率 5.1% (オッズ暗示: 6.9%) ※ 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94.1 |
▽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) -24% (オッズ過剰評価) AI 予想勝率 0.8% (オッズ暗示: 1.1%) ※ 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。 |
| 6 |
ヘクセンハウス |
丹内 |
実6.7 |
▲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) -2% (オッズ過剰評価) AI 予想勝率 14.6% (オッズ暗示: 14.9%) ※ 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7.8 |
△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) -23% (オッズ過剰評価) AI 予想勝率 9.8% (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。 |
| 8 |
ウインアベリア |
▲遠藤 |
実160.4 |
▽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) -29% (オッズ過剰評価) AI 予想勝率 0.4% (オッズ暗示: 0.6%) ※ 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35.3 |
×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) -62% (大幅な期待値マイナス) AI 予想勝率 1.1% (オッズ暗示: 2.8%) ※ 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3.8 |
○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 10 ◎ 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 20.7% (オッズ暗示: 26.3%) ※ 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。 |
| 11 |
ルナティックブルー |
小沢 |
実8.4 |
△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) -17% (オッズ過剰評価) AI 予想勝率 9.8% (オッズ暗示: 11.9%) ※ 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 |
☆舟山 |
実15.8 |
▽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) -25% (オッズ過剰評価) AI 予想勝率 4.8% (オッズ暗示: 6.3%) ※ 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。 |
| 13 |
ルージュアイラ |
◇古川奈 |
実130.3 |
▽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) -43% (大幅な期待値マイナス) AI 予想勝率 0.4% (オッズ暗示: 0.8%) ※ 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。 |
| 14 |
セイントクーヤ |
☆長浜 |
実42.1 |
×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) -55% (大幅な期待値マイナス) AI 予想勝率 1.1% (オッズ暗示: 2.4%) ※ 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。 |
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)
-17% (オッズ過剰評価)
AI 予想勝率
24.4% (オッズ暗示: 29.4%)
△期待値 (オッズ vs AI勝率)
-21% (オッズ過剰評価)
AI 予想勝率
20.7% (オッズ暗示: 26.3%)
△期待値 (オッズ vs AI勝率)
-2% (オッズ過剰評価)
AI 予想勝率
14.6% (オッズ暗示: 14.9%)
△期待値 (オッズ vs AI勝率)
-23% (オッズ過剰評価)
AI 予想勝率
9.8% (オッズ暗示: 12.8%)
△期待値 (オッズ vs AI勝率)
-17% (オッズ過剰評価)
AI 予想勝率
9.8% (オッズ暗示: 11.9%)
△期待値 (オッズ vs AI勝率)
-26% (オッズ過剰評価)
AI 予想勝率
5.1% (オッズ暗示: 6.9%)
×期待値 (オッズ vs AI勝率)
-30% (大幅な期待値マイナス)
AI 予想勝率
4.8% (オッズ暗示: 6.8%)
△期待値 (オッズ vs AI勝率)
-25% (オッズ過剰評価)
AI 予想勝率
4.8% (オッズ暗示: 6.3%)
△期待値 (オッズ vs AI勝率)
-29% (オッズ過剰評価)
AI 予想勝率
2.2% (オッズ暗示: 3.1%)
×期待値 (オッズ vs AI勝率)
-62% (大幅な期待値マイナス)
AI 予想勝率
1.1% (オッズ暗示: 2.8%)
×期待値 (オッズ vs AI勝率)
-55% (大幅な期待値マイナス)
AI 予想勝率
1.1% (オッズ暗示: 2.4%)
△期待値 (オッズ vs AI勝率)
-24% (オッズ過剰評価)
AI 予想勝率
0.8% (オッズ暗示: 1.1%)
×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
0.4% (オッズ暗示: 0.8%)
△期待値 (オッズ vs AI勝率)
-29% (オッズ過剰評価)
AI 予想勝率
0.4% (オッズ暗示: 0.6%)
💡 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
両モデルとも本レースは見送り判定（期待値プラスなし）
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。
