AI는 수백 회차에 이르는 로또 데이터를 바탕으로 다양한 패턴을 학습했습니다.
데이터 전처리와 모델 훈련을 거쳐, 실제 번호와 얼마나 가까운 결과를 낼 수 있는지 실험을 진행해봤습니다.
🤖 실험 모델 및 예측 결과
우리는 머신러닝의 대표적인 알고리즘 중 하나인 Random Forest Classifier를 사용해 학습을 시도했습니다.
입력은 지난 10회차 로또 번호, 출력은 다음 회차의 번호 6개입니다.
이 숫자, 과연 실제 로또 번호와 얼마나 일치할까요?
결과는 보시는 것과 같이 하나도 맞지 않았습니다. 그래프를 설명하면 파란색은 훈련 정확도(Training Accuracy), 빨간색은 검증 정확도(Validation Accuracy)로 모델이 훈련 데이터는 완벽하게 학습했지만, 검증 데이터에서는 거의 맞추지 못한다는 것을 의미합니다.
이상적인 그래프는 훈력 정확도와 검증 정확도가 모두 높고(0.9 이상), 두 값이 서로 비슷해야 합니다.
이번 모델은 머신러닝에서 널리 사용되는 지도학습 알고리즘인 "Random Forest Classifier"를 사용했지만 적합하지 않은것 같네요.
시퀀스 예측 기반 모델인 LSTM (Long Short-Term Memory) 로 변경해서 진행해 보겠습니다.
🎯 "정답과 비교해보자!"
다음 회차의 실제 로또 당첨 번호는 이랬습니다
[예측 번호 (1001회)] : [11, 18, 20, 35, 40, 45]
[실제 번호 (1001회)] : [6, 10, 12, 14, 20, 42]
"20" 하나 맞추었네요.
학습을 여러번 시켜도 하나는 꼭! 맞추네요.
[예측 번호 (1001회)] : [3, 25, 36, 37, 40, 42]
[실제 번호 (1001회)] : [6, 10, 12, 14, 20, 42]
정말 운일까요? 아니면 AI가 뭔가 눈치챈 걸까요?
📈 정확도 분석
- 훈련 정확도 (Training Accuracy)는 높게 나왔지만,
- 검증 정확도 (Validation Accuracy)는 낮았습니다.
이는 모델이 훈련 데이터에는 잘 맞지만, 실제 새로운 데이터에는 일반화되지 않는다는 의미입니다.
이런 현상을 과적합(Overfitting)이라고 부릅니다.
🔄 다른 모델로의 전환
Random Forest는 여러 결정 트리를 조합해 예측하는 강력한 분류 알고리즘이지만,
이번 실험처럼 무작위성이 높은 데이터에서는 적합하지 않을 수 있습니다.
그래서 다음 단계에서는 시계열 예측에 특화된 LSTM(Long Short-Term Memory) 모델을 적용해볼 계획입니다.
이 모델은 순서가 중요한 데이터에 더 강력한 예측 성능을 보입니다.
🔍 실험의 의미와 한계
AI는 과거 데이터를 기반으로 통계적으로 자주 등장한 패턴을 찾아냅니다.
하지만 로또는 기본적으로 무작위성을 기반으로 하기에, 완벽한 예측은 원리상 어려운 영역입니다.
다만 일부 숫자가 일치했다는 사실은, AI가 단순 무작위가 아닌 특정 통계적 흐름을 어느 정도는 포착했다는 것을 보여줄 수 있습니다.
📚 용어 정리
- 예측(Prediction): AI가 학습한 데이터를 바탕으로 미래의 값을 추정하는 것
- 정답 데이터(Label): 우리가 비교해야 할 실제 로또 번호
- 정확도(Accuracy): 예측한 값이 실제 값과 얼마나 맞았는지 비율로 나타낸 것
- Random Forest Classifier:
머신러닝에서 많이 사용하는 지도학습 알고리즘. 여러 개의 결정 트리를 만들어 예측을 평균 내거나 다수결로 결정합니다.
로또 예측에는 복잡한 패턴을 잡기 어렵다는 단점이 있습니다. - LSTM (Long Short-Term Memory):
딥러닝에서 사용되는 시퀀스 모델로, 과거 데이터의 순서를 기억하고 예측할 때 강점을 가집니다.
주로 시계열 데이터, 자연어 처리 등에 활용됩니다. - 훈련 정확도 (Training Accuracy):
모델이 학습 데이터에서 얼마나 잘 맞췄는지를 나타내는 지표. - 검증 정확도 (Validation Accuracy):
학습되지 않은 새로운 데이터에서 모델의 성능을 측정하는 지표. 과적합 여부를 확인할 때 중요합니다.
🧩 정리하며
이번 실험을 통해, AI가 로또 번호를 100% 맞추는 건 현실적으로 어렵다는 점을 다시 확인할 수 있었습니다.
하지만 데이터 기반으로 통계적인 패턴을 찾아내는 방식은 여러 응용 가능성을 보여줍니다.
다양한 모델을 통해 이 실험은 계속 확장될 예정이며, AI의 예측 구조와 한계를 분석하는 과정은 앞으로도 유익한 연구가 될 것입니다.