Day 177 — 2026-10-10 | Playground Series 実戦投入⑫ — 補正CV の「効きすぎ」は3ワールドの偶然だった。40ワールドでは残りが全21組で 2SE 以内（低雑音 葉511: −4.78±1.76 → +3.15±1.96）。A_test の推定誤差は ±0.24 しかなく、残りのほぼ全部は「OOF を採点する 30,000 行の引き方」。分割を変えても半分以上が残る（×10⁻⁴）

📚 背景知識（読んでから問題へ）

Day176 で残った疑い。 補正CV は「生の CV² から、test 行の fold 間分散 A_test を引いて √ を取る」もの（決定13、Day171）。Day176 の途中集計（9ワールド）では、大きい木で補正が効きすぎて見えた。

（×10⁻⁴、lgb_det＝葉31 との差。「偏り」= CV の差 − 真の差。プラスは「CV が大きい木を実際より悪く見せる」）

Day176 の仮説は「A_test を fold 5個の分散で推定する誤差が、大きい木で増えている」だった。今日はこれを式で先に分解し、どの項が残りを作っているかを測る。

用語整理:

数値はすべて縮小シミュレータの上の実測（S5E5 の構造を写した合成データ、Day163〜）。実データで同じになるとは限らない。

データ・保存物の構造（スキーマ）

評価指標（RMSLE）と、補正CV の分解

RMSLE は log1p 空間の RMSE（小さいほど良い）。補正CV は √(C² − A_test)。恒等式 T1 − T5² = A_truth から、補正CV と真の差は Ca² − T5² = (C² − T1) ＋ (A_truth − A_test) ＋ 切り詰め に分かれる。下の図は、Day176 で「効きすぎ」に見えた葉511 の残りが、40ワールドでどうなったかと、そのうち A の推定誤差（項2）の大きさ。

❓ 問題

タスクA（理論）— 測る前に式で分ける

1. 行ごとに、5本の予測を p₁…p₅、平均を p̄、正解を y とする。「5本それぞれの二乗誤差の平均 − 平均の二乗誤差 = 5本の分散（÷5 で割る分散）」が近似ではなく恒等式であることを示せ
2. 1 を使って、補正CV の二乗と真の二乗の差 Ca² − T5² を、意味のある3つの項に分けよ
3. Day176 の仮説（A の推定誤差が大きい木で増える）が正しいなら、どの項が大きくなるはずか。fold 数を 5→10 にしたら何が変わるか予想せよ

タスクB（コーディング）

1. 3つの項を40ワールド（低雑音16・小得12・中雑音12）× 乱数なし8本で測る analyze177.py を書く。恒等式が数値でも成り立つこと（切り詰め無しで差が 1e-15 未満）を確かめる
2. 残りの揺れが「OOF を採点する行の引き方」で説明できるかを、行ごとの二乗誤差の差の SD から予測した SD と、ワールド間で実測した SD を並べて確かめる
3. 分割だけを変えた作り直し（day177.py: 分割 seed 1 の5分割、10分割）を低雑音・中雑音 各6ワールドで回し、同じワールドで残りが同じ向きに出るかを見る

タスクC（戦略）

1. 決定13（補正CV）の印をどうするか
2. 残りの揺れが基準選び（決定15）の選び間違いを生むなら、「引き分けなら小さい木」を足すと得か
3. 残りの揺れを減らすには、分割を繰り返すのと、行を増やすのと、どちらが効くか

💡 ヒント

ヒント1（方向性）

「同じ行で測った分散」と「別の行で測った分散」は違う。補正CV が引いているのは test 行の分散で、真を作っているのは truth 行。そして生の CV は、さらに別の train 行で採点している。

ヒント2（アプローチ）

恒等式は「平均からのずれの二乗和は、クロス項が 0 になる」で示せる（分散の分解と同じ）。すると Ca² − T5² = (C² − T1) + (A_truth − A_test) + (切り詰めによるずれ) になる。A の推定誤差は第2項にしか入らない。

ヒント3（コード骨格）

def decomp(y, ytru, O, E):              # O: OOF (30000,)  E: fold 別予測 (5, 80000)
    c2 = ((lp_clip(O) - np.log1p(y)) ** 2).mean()
    Et, Eu = E[:, :N], E[:, N:]; lu = np.log1p(ytru)
    t1 = ((lp_clip(Eu) - lu) ** 2).mean()            # 5本それぞれの truth 誤差の平均
    t5 = ((lp_clip(Eu.mean(0)) - lu) ** 2).mean()    # 平均の truth 誤差
    a_te, a_tr = Et.var(axis=0).mean(), Eu.var(axis=0).mean()
    ident = ((Eu - lu) ** 2).mean() - ((Eu.mean(0) - lu) ** 2).mean() - a_tr   # 切り詰め無しなら 0
    return c2, t1, t5, a_te, a_tr, ident

✅ 模範解答

タスクA（理論）

1. 恒等式。 行を1つ固定し、dₖ = pₖ − y、d̄ = p̄ − y とする。

(1/5) Σ dₖ² = (1/5) Σ (d̄ + (pₖ − p̄))² = d̄² + (2d̄/5) Σ (pₖ − p̄) + (1/5) Σ (pₖ − p̄)²

真ん中の Σ (pₖ − p̄) は平均の定義から ちょうど 0。よって

5本の誤差の平均 − 平均の誤差 = (1/5) Σ (pₖ − p̄)²（÷5 の分散）

が、データの分布にも fold 数にも関係なく成り立つ。行で平均しても成り立つので T1 − T5² = A_truth（truth 行の分散）。実測でも切り詰め無しの差は最大 1.39×10⁻¹⁷（40ワールド × 8本、浮動小数の丸めだけ）。

2. 3つの項。 Ca² − T5² = C² − A_test − T5² に T5² = T1 − A_truth（＋切り詰め項）を入れると

3. 予想。 Day176 の仮説が正しければ項2が大きい木で大きくなるはず。ところが1の恒等式から、「fold 5個の分散」は5本平均の得をちょうど表す量で、推定のための近似ではない。A の誤差になりうるのは「test 行 20,000 行の引き方」だけで、これは行数が多いので小さいと予想する。fold 数を 10 にしても、恒等式は「10本の分散」で同じように成り立つので、偏りは生まれないと予想する（ただし生の偏りの大きさは変わる）。

タスクB（完全なコード）

analyze177.py（要点。全文は保存物 analyze177.py）:

def decomp(y, ytru, O, E, rng, e_ref, u_ref):
    eo = (lp_clip(O) - np.log1p(y)) ** 2                  # OOF 行ごとの二乗誤差
    c = eo.mean()
    Et, Eu = E[:, :N], E[:, N:]
    a_te = Et.var(axis=0).mean(); a_tr = Eu.var(axis=0).mean()
    lu = np.log1p(ytru)
    eu = ((lp_clip(Eu) - lu) ** 2).mean(0)                # truth 行ごとの、5本の二乗誤差の平均
    t1 = eu.mean()
    t5 = ((lp_clip(Eu.mean(0)) - lu) ** 2).mean()
    t1n = ((Eu - lu) ** 2).mean(); t5n = ((Eu.mean(0) - lu) ** 2).mean()   # 切り詰め無し
    av = Et.var(axis=0)                                   # test 行数を減らした A_test（200回抜き直し）
    sub = {n: np.array([av[rng.choice(N, n, replace=False)].mean() for _ in range(200)]) for n in (2000, 5000)}
    return dict(C2=c, T1=t1, T5sq=t5, Ate=a_te, Atr=a_tr, ident=(t1n - t5n) - a_tr,
                Ca=np.sqrt(c - a_te), T5=np.sqrt(t5), C=np.sqrt(c),
                A2k_sd=sub[2000].std(), A5k_sd=sub[5000].std(),
                sd_diff_row=(eo - e_ref).std() if e_ref is not None else np.nan,   # 対 lgb_det
                sd_diff_tru=(eu - u_ref).std() if u_ref is not None else np.nan), eo, eu

# 二乗の差を RMSLE の差に換算: Δ√x ≈ Δx / (2√x)
k2 = 1e4 / (2 * T5[c])
resid = ((Ca[c] - Ca["lgb_det"]) - (T5[c] - T5["lgb_det"])) * 1e4
t1 = ((C2[c] - C2["lgb_det"]) - (T1[c] - T1["lgb_det"])) * k2
t2 = ((Atr[c] - Atr["lgb_det"]) - (Ate[c] - Ate["lgb_det"])) * k2
t3 = resid - t1 - t2
# 行の引き方だけで説明できるときの SD（OOF 30,000行と truth 60,000行は別の行なので分散を足す）
pred_sd = np.sqrt(sd_diff_row**2 / 30000 + sd_diff_tru**2 / 60000) / (2 * T5[c]) * 1e4

day177.py（day176.py の生成部を1文字も変えず、候補を3本・分割を引数にしただけ）:

KF, SS = map(int, sys.argv[4].split(","))          # fold 数と分割 seed
DET = [("lgb_det", dict()), ("leaf127", dict(num_leaves=127)), ("leaf511", dict(num_leaves=511))]
evk = np.zeros((len(names), KF, N_TEST + N_TRUTH), np.float32)
for k, (tr, va) in enumerate(KFold(KF, shuffle=True, random_state=SS).split(train)):
    ...                                             # 学習部は day176.py と同じ
np.savez_compressed(f"raw177_w{W}_k{KF}_s{SS}.npz", oof=oof, evk=evk, ...)

実行:

# 新しい uv venv（Python 3.13.12・lightgbm 4.7.0・numpy 2.5.3・pandas 3.0.6・scikit-learn 1.9.1）を作る（Day172 の venv は tmp の掃除で壊れていた）
uv venv -p 3.13 .venv && uv pip install -p .venv/bin/python lightgbm==4.7.0 numpy==2.5.3 pandas==3.0.6 scikit-learn==1.9.1 scipy==1.18.1
# Day176 の残り31ワールドを 6 並行で作る（run.sh は scikit-learn 同梱の libomp を DYLD_LIBRARY_PATH に入れて呼ぶ）
(for w in $(seq 1 11); do echo "$w 0.12 0.08 sm"; done; for w in $(seq 5 11); do echo "$w 0.15 0.10 mid"; done; for w in $(seq 3 15); do echo "$w 0.05 0.03 low"; done) | xargs -P 6 -L 1 sh -c './run.sh day176.py $0 $1 $2 '"$(pwd)"'/r176/$3'
# 分割だけを変えた作り直し（再現確認1本＋低・中雑音 各6ワールド × 2設定）を 5 並行で
(echo "0 0.05 0.03 low 5,0"; for w in 0 1 2 3 4 5; do for c in 5,1 10,0; do echo "$w 0.05 0.03 low $c"; echo "$w 0.15 0.10 mid $c"; done; done) | xargs -P 5 -L 1 sh -c './run.sh day177.py $0 $1 $2 '"$(pwd)"'/r177/$3 $4'
# 集計（3分解・Day176 の表の出し直し・分割の比較・引き分けルール）
python analyze177.py <d175> <d176> r176 && python update176.py && python analyze177b.py <d175> <d176> r176 r177 && python tie177.py <d175> <d176> r176

実行結果（実測）

# ============ 実行環境: macOS (M1, メモリ8GB)・新しい uv venv（バージョンは Day172〜176 と同じ）
#   OMP_NUM_THREADS=1・n_jobs=1。他のセッション（VM・go test）と同居し load average 7〜290
#   Day176 残り31ワールド × 6本 × 5 fold = 930 fit、壁時計 3,163 秒（1ワールド 442〜624 秒）
#   day177.py: 25 回（再現1＋12ワールド×2設定）、lgb_det/葉127/葉511 × 5 or 10 fold = 375 fit、壁時計 1,386 秒
=== 表0 再現（決定9）===
今日の leaf127（31ワールド）対 raw175 の leaf127: OOF・fold 別予測とも最大差 0.0（3世界とも）
day177.py の K=5・分割seed 0（低雑音 w0）対 保存物（葉31・127・511）: 最大差 0.0
恒等式 T1−T5²−A_truth（切り詰め無し）の最大絶対値: 1.39e-17

=== 表1 補正CV の残り（対 lgb_det、×1e-4、平均±SE）と3項の分解（40ワールド）===
                残り              項1 OOF−truth     項2 A        項3 切り詰め
[低雑音 n=16]
  leaf63        +0.33±1.07        +0.30±1.05         +0.04        -0.01
  leaf127       +2.04±1.28        +1.82±1.27         +0.24        -0.02
  leaf255       +2.78±1.75        +2.60±1.72         +0.20        -0.03
  leaf511       +3.15±1.96        +2.96±1.92         +0.21        -0.02
  leaf255_m50   +2.97±1.49        +2.93±1.43         +0.05        -0.01   ← 21組で最大の 2.0SE
[小得 n=12]
  leaf127       +1.20±1.44        +1.23±1.36         +0.05        -0.08
  leaf255       +1.15±1.94        +1.17±1.93         +0.06        -0.08
  leaf511       +0.35±2.50        +0.37±2.42         +0.05        -0.06
[中雑音 n=12]
  leaf127       -0.00±1.73        +0.00±1.73         +0.07        -0.07
  leaf255       +0.86±2.09        +0.95±2.00         +0.00        -0.09
  leaf511       +1.34±2.24        +1.17±2.16         +0.24        -0.07
（項2 のワールド間 SD は最大 0.70、項3 の絶対値は最大 0.09。21組すべてで「残り ≒ 項1」）

=== 表2 A_test の推定の揺れ（二乗の尺度 ×1e-4、200回抜き直しの SD）===
[中雑音] lgb_det: A 5.87 (2千行 0.237 / 5千行 0.137)  leaf511: A 23.34 (2千行 0.637 / 5千行 0.369)
（A は葉511 で lgb_det の約4倍に育つが、2万行での揺れは A の 1% 台）

=== 表3 項1 の揺れ: 行の引き方だけから予測した SD と、ワールド間の実測 SD（×1e-4）===
[低雑音] leaf63 3.12/4.19  leaf127 4.34/5.08  leaf255 5.36/6.89  leaf511 6.08/7.67
[小得]   leaf63 2.75/3.42  leaf127 3.96/4.72  leaf255 5.16/6.67  leaf511 6.14/8.37
[中雑音] leaf63 2.75/2.98  leaf127 4.04/5.99  leaf255 5.35/6.94  leaf511 6.48/7.50
（予測 / 実測。予測は実測の 67〜92%。木が大きいほど両方とも大きい）

=== 表4 分割を変えた作り直し（各6ワールド、×1e-4）: 残りの平均±SE ===
[低雑音] leaf127: K5s0 +1.94±2.47  K5s1 +0.67±2.29  K10s0 -0.26±2.49
         leaf511: K5s0 +2.99±3.79  K5s1 +0.33±1.79  K10s0 +0.73±3.54
[中雑音] leaf127: K5s0 -0.73±2.87  K5s1 +0.39±1.84  K10s0 +2.48±1.39
         leaf511: K5s0 +2.62±2.57  K5s1 +0.44±1.97  K10s0 +2.66±2.52
生の偏り（参考）: 中雑音 leaf511 K5 +41.55 / +39.80、K10 +34.59

=== 表5 同じワールドで、分割を変えても残りは同じ向きか ===
                 K5s0×K5s1 相関  分割ごとの揺れ SD  2回平均の SD
[低雑音] leaf127      +0.74           3.00             5.44
[低雑音] leaf511      +0.34           6.25             5.77
[中雑音] leaf127      +0.77           3.24             5.44
[中雑音] leaf511      +0.43           4.28             4.72
（K5s0×K10s0 の相関 0.82〜0.98 は使わない: 同じ分割 seed の KFold は 10 分割の各 fold が 5 分割の fold の半分になる入れ子で、独立な分割ではない。10個すべてで包含を確認）

=== 表6 Day176 の表の出し直し（40ワールド、乱数なし8本）===
真の差（対 lgb_det）: 低雑音 leaf63 -3.67(16/16) leaf127 -3.50(15/16) leaf255 +0.97(6/16) leaf511 +9.13(0/16)
                      小得   leaf127 -22.96 leaf255 -25.60(12/12) leaf511 -17.20
                      中雑音 leaf127 -31.74 leaf255 -36.95(12/12) leaf511 -29.24
隣どうし: 255−127 低 +4.47 / 小得 -2.64 / 中 -5.21、511−255 低 +8.16 / 小得 +8.41 / 中 +7.72（いずれも全ワールドで同じ向き）
mcs50 の悪化: 15組（3世界×葉127/255/511）すべてで全ワールド悪化、+9.49〜+25.04
DET8 の真の最良: 低雑音 {leaf63: 8, leaf127: 8}  小得 {leaf255: 12}  中雑音 {leaf255: 12}
候補一覧の損（補正CV で選ぶ、対 DET8 の真の最良）:
          低雑音   小得   中雑音   最悪
  L3      0.88    2.64   5.21    5.21
  L4      0.88    0.66   0.31    0.88   （L5・L8・L4+止め方 も同じ値）
費用（1ワールド5fold、中央値秒）: leaf127 28 / leaf255 52 / leaf511 114 / leaf127_m50 43 / leaf255_m50 87 / leaf511_m50 173

=== 表7 「引き分けなら小さい木」を決定15（L4）に足した損（40ワールド、×1e-4）===
引き分けの幅 = z × 対の SE（葉127 対 葉255 の対の SE は 3.2〜3.4）
  z=0（今の決定15）  低 0.88  小得 0.66  中 0.31  最悪 0.88
  z=0.5               低 1.43  小得 0.78  中 0.52  最悪 1.43
  z=1                 低 1.93  小得 1.43  中 1.73  最悪 1.93
  z=2                 低 3.43  小得 3.24  中 4.09  最悪 4.09

タスクC（戦略の模範）

1. 決定13（補正CV）は葉511 まで ◎ に戻す。 Day176 の「効きすぎ」（低雑音 葉511 −4.78±1.76）は3ワールドの偶然で、40ワールドでは +3.15±1.96。21組（3世界×7本）の残りは最大でも 2.0SE（低雑音 leaf255_m50、21回検定すれば1回は出る大きさ）で、向きもそろわない（負の割合 0.31〜0.75）。Day176 の仮説（A の推定誤差）は外れ: 項2 は平均で最大 0.24、ワールド間 SD でも最大 0.70。恒等式から A の取り方そのものに偏りは無く、残るのは test 2万行の引き方だけで、それは A の 1% 台しか揺れない
2. 残りの揺れは「OOF を採点する train 行の引き方」が作り、木が大きいほど育つ（SD 3.0→8.4）。 予測 SD（行ごとの差の SD から計算）は実測の 67〜92% を説明する。残り 8〜33% は分割の偶然で、表5 では分割 seed を変えると相関 0.34〜0.77 で同じ向きに残る。この揺れが選び間違いを生む（小得で葉127 を3/12回選んだ）。しかし「引き分けなら小さい木」は損を増やした（z=1 で最悪 0.88→1.93）。対の SE（3.2〜3.4）より真の差（中雑音 255−127 で −5.21）の方が大きく、小さい木へ寄せると取りこぼしの方が大きいため。決定15 には足さない
3. 分割の繰り返しでは消えない部分が半分以上ある。 表5 の値から粗く分けると（6ワールドで精度は低い）、分割ごとの揺れ SD 3.0〜6.3 に対し、分割で変わらない共通部分 SD は √(2回平均の分散 − 分割の分散/2) ≒ 3.6〜5.0。分割を何回繰り返しても後者は残る。これを減らすのは採点に使う行を増やすこと（今の設計では train 行 30,000 が上限）。実データで効く手は、train の行を増やすことではなく（増やせない）、1回の比較の差が対の SE の何倍かを記録し、2SE 未満の勝ち負けを「決め手にならない」と書いておくこと

タスクD（決定）

📊 結果の可視化

1枚目: 残りの揺れ（ワールド間 SD）は木が大きいほど育ち、その 67〜92% は「OOF を採点する train 行の引き方」だけで予測できる。残りは分割の偶然。2枚目: 揺れに合わせて小さい木へ寄せると、取りこぼしの方が大きく、最悪の損が増える。

🪜 Step-by-Step 解説

Step 1: 測る前に式で分ける

Day176 の仮説は「A の推定がずれる」。恒等式 T1 − T5² = A_truth を先に示すと、A が入るのは項2（行の違い）だけで、fold 数や木の大きさで偏りが生まれる余地が無いと分かる。仮説が式の段階で弱いと分かれば、測るべきは項1 になる。

Step 2: 恒等式を数値で確かめる

切り詰め無しで計算した差は最大 1.39×10⁻¹⁷。これで「項1＋項2＋項3＝残り」が帳簿として閉じる（足し算の残差が無い）。

Step 3: 打ち切った31ワールドを回し、先に再現を確かめる

今日の leaf127 は raw175 と OOF・fold 別予測とも最大差 0.0。venv を作り直したので、ここが崩れていたら Day176 の9ワールドと混ぜられなかった（決定9）。

Step 4: 3世界 × 7本で3項を並べる

21組すべてで「残り ≒ 項1」。項2・項3 は 0.3 未満。Day176 の −4.78 は 3ワールドの平均で、16ワールドでは向きが逆（+3.15）になった。

Step 5: 項1 の揺れの出どころを予測と照合する

行ごとの二乗誤差の差の SD を √行数 で割れば、「行の引き方だけ」で出る SD が予測できる。予測は実測の 67〜92%。残りは分割の偶然。

Step 6: 分割を変えて確かめる（入れ子の罠に注意）

分割 seed 1 の5分割では相関 0.34〜0.77 で同じ向きに残る。10分割（seed 0）との相関 0.82〜0.98 は高すぎるので疑い、KFold の入れ子（同じ seed では 10 分割の fold が 5 分割の fold の半分）を確認して除外した。

Step 7: 揺れが分かったら、それで判断を変えるべきかを測る

「引き分けなら小さい木」は直感的に良さそうだが、測ると損が増えた。揺れを知ることと、揺れに合わせて選び方を変えることは別。

📐 数学・統計の補足（文系向け）

恒等式の直感。 5人に体重計の目盛りを読ませる。「5人それぞれの読み違いの二乗の平均」は、「5人の平均の読み違いの二乗」より必ず大きく、その差は5人の読みのばらつきとぴったり同じ。ばらつきの分だけ平均を取ると得をする。これは近似ではなく、平均の定義から出る足し算の事実（クロス項が 0 になる）。

だから A に偏りは無い。 補正CV が引いている A_test は、まさにこの「平均で得する分」を test 行で測ったもの。同じ5本のモデルなので、測る行が違う（test と truth）ことによる揺れしか入らない。2万行もあれば揺れは A の 1% 台。

残るのは「採点する行の運」。 生の CV は train 3万行で採点する。真は別の 6万行で採点する。同じモデルでも、たまたま当てやすい行が train に多ければ CV は良く見える。木が大きいほど行ごとの得意・不得意が lgb_det とずれるので（低雑音の Day176 の9ワールドで、行ごとの差の SD が 葉63 158 → 葉511 292、×10⁻⁴ 二乗）、この運の影響が大きくなる。

二乗の差を RMSLE の差に直す。 √x の傾きは 1/(2√x)。T5 が 0.16〜0.22 なので、二乗の世界の差を 2.3〜3.2 倍して RMSLE の差に直している。

🏆 Kaggleでの実践的な使い方

• fold 平均で提出するなら、候補比較は補正CV で。 生の CV は葉511 を最大 +42 悪く見せる（中雑音、Day176）。補正後の残りは 40ワールドで平均 0 付近
• CV の差が小さいときは「対の SE」を一緒に書く。 OOF 行ごとの二乗誤差の差の SD / √行数 を、2×CV で割れば RMSLE の差の SE になる。今日のデータでは葉127 対 葉255 で 3.2〜3.4×10⁻⁴。これより小さい勝ち負けは決め手にならない
• 分割 seed を何回変えても消えない誤差がある。 採点に使う train 行そのものの運で、今日のデータでは揺れの半分以上
• 「迷ったら小さいモデル」は常に正しくはない。 真の差が SE より大きい世界では損をする（今日は最悪の損が 2.2〜4.6 倍）
• 同じ seed で KFold の fold 数だけ変えた比較は独立ではない。 5分割と10分割が入れ子になる

⚠️ よくある誤解・ミス

🧭 扱わなかった範囲と理由

• 独立な 10 分割（seed を変えた 10 分割）: 今日の 10 分割は seed 0 で 5 分割と入れ子になり、独立な比較に使えなかった。fold 数の効果（偏りが生まれないこと）は恒等式で示したが、揺れの大きさを独立な分割で測るのは未計測
• 分割の比較の小得世界と、ワールド数: 低雑音・中雑音の各6ワールドのみ（費用 1,386 秒）。表5 の共通部分の SD は6ワールドからの粗い値
• 乱数ありの候補（決定14 の後段）を 40 ワールドで出し直すこと: 低雑音の保存物 raw172 が tmp の掃除で消えていた。中雑音・小得の raw173/174 は残っているが、3世界そろわないので今日は出さない
• 学習率・本数（lr 0.05・600 本）と mcs を下げる方向（5・10）: 次回以降
• 実データ（S5E5）: 縮小シミュレータの上の数字のみ。S5E5 のルール確認・公開割合・敵対的 AUC は Day171 で利用者の作業として切り出したまま
• 原典照合: LightGBM 公式ドキュメント（Parameters Tuning）・Nadeau & Bengio・Krogh & Vedelsby（アンサンブルの曖昧さ分解。今日の恒等式は回帰の二乗誤差でのその特殊な形）の原文は今日も照合していない
• 持ち越し: 候補数 K と選択の上振れ、系統別の m（et）、公開LB と2本目の枠、avg3 での損、OOF 側と test 側の seed の揺れの分離、noKeytel・raw7 の補正後のずれ、補正CV と入れ子CV の比較、Day170 のハイブリッド・狭い10本の出し直し、SE 個数差と分割の新しさ（Day165）、Day162 の選択バイアス、真の効果ちょうど0の偽採用率

🚀 次のステップ

• 発展: seed を変えた独立な 10 分割（例: seed 2）で、表5 の「分割ごとの揺れ」が fold 数でどう変わるかを測る
• 発展: 対の SE を実データの比較記録に入れる書式（決定17）を、CV設計書（Day171）に1行足す
• 次回予告: Day 178 — Playground Series 実戦投入⑬（学習率 0.05・600本で葉 63/127/255/511 を作り、山の位置が動くか。決定15 の一覧と「端なら1本足す」止め方が学習率を変えても持つかを測る）。月替わりテーマ3「画像（CV）系コンペへの応用」は 10/25 から

📝 自己評価（解いた後に記入）