Python - Addestramento rete neurale

[Lottopython]

implementato una mia personale idea di probabilità di estrazione di almeno due numeri a ruota
è in fase ancora di verifica
io ho convergenza su ca.ge vediamo .è solo un test

 

[max63]

Grande Lottopython sempre un ottimo lavoro..Mi sono portato avanti anche io...

Funzionalità Aggiunte e Migliorate​

Caricamento e Valutazione del Miglior Modello:

Aggiunta la funzione carica_e_valuta_modello per caricare il miglior modello salvato durante l'addestramento e valutarlo su un set di dati di test.

Aggiunto un pulsante nell'interfaccia utente per eseguire questa operazione.



Ottimizzazione degli Iperparametri:

Implementata la possibilità di sperimentare con diverse combinazioni di iperparametri per trovare la configurazione ottimale.

Aggiunti campi per specificare i neuroni e i tassi di dropout per ogni layer.



Regolarizzazione e Dropout:

Aggiunte opzioni per regolare la regolarizzazione (L1, L2) e il dropout per prevenire l'overfitting.

Early Stopping e Checkpointing:

Implementato l'early stopping per interrompere l'addestramento quando il modello non migliora più.

Salvataggio del miglior modello durante l'addestramento utilizzando ModelCheckpoint.



Miglioramenti dell'Interfaccia Utente:

Riorganizzata la disposizione degli elementi per una migliore leggibilità e accessibilità.

Aggiunti messaggi di conferma per azioni critiche, come l'aggiornamento dei dati.

Come Usare le Nuove Funzionalità​

Addestramento del Modello:

Seleziona una ruota e specifica il periodo di date.

Imposta i parametri del modello (epoche, neuroni, dropout, ottimizzatore, funzione di perdita, regolarizzazione).

Avvia l'addestramento cliccando su una ruota.



Caricamento e Valutazione del Miglior Modello:

Dopo l'addestramento, clicca sul pulsante "Carica e Valuta Modello".

Il modello salvato verrà caricato e valutato su un set di dati di test.

I risultati della valutazione verranno mostrati nel box di testo.



Aggiornamento dei Dati:

Clicca sul pulsante "Aggiornamento Estrazioni" per aggiornare i dati delle estrazioni. ( si basa sul codice di Lottopython per aggiornare i dati in locale)

Verrà richiesto un messaggio di conferma prima di eseguire l'aggiornamento

Fase Test....La possibilita di caricare il miglior modello risulta interessante

Ci aggiorniamo..

Un cordiale saluto a tutti gli appassionati...

 

[batty]

Compimenti ha entrambi ,viaggiate come un treno ,INVIDIO la vostra preparazione sia con python che con le reti neuronali ,

 

[Lottopython]

I dati e le selezioni vengono sempre evidenziate all'interno del Terminale
(grazie a Max e non solo questo)

aggiunto :selezione estrazioni file ruote e/o estrazioni online ,a scelta da selezionare
implementazione Mostra estrazioni
implementazione Simbolotto
migliorie alle diverse parti del codice
il codice incomincia ad essere complesso
n.b librerie sempre da tenere aggiornate

migliorate le logiche adattive

..prossimo steep in lavorazione
implementazioni migliori ruote di sortita

 

[max63]

Grande Lottopython....lo provo!

 

[lotto_tom75]

 

[batty]

mi sono messo d'impegno

 

[max63]

Buongiorno a tutti...I lavori continuano....

Nasce ( forse) Numerical Empathy...devo ancora mettere a punto alcune cose...

Alcune caratteristiche:

1. Struttura Generale e Organizzazione

Modularità: Il codice è ben strutturato in classi (ModelConfig, Tooltip) e funzioni, il che facilita la comprensione, il riutilizzo e la manutenzione. Le funzioni sono generalmente ben definite e hanno uno scopo specifico.

Gestione della Configurazione: L'uso della classe ModelConfig è eccellente per centralizzare e gestire i parametri del modello. Questo rende il codice più flessibile e facile da modificare.

Logging: L'uso estensivo del modulo logging è fondamentale per un'applicazione di questo tipo. Permette di tracciare il flusso di esecuzione, identificare problemi e monitorare le prestazioni. L'uso di livelli di logging (INFO, ERROR, WARNING) è corretto.

Gestione delle Dipendenze: Il codice importa in modo esplicito tutte le librerie necessarie (tkinter, tkcalendar, os, random, logging, matplotlib, math, pandas, numpy, tensorflow, datetime, warnings, json, subprocess, sys). Questo è positivo per la riproducibilità. Tuttavia, ci sono alcune aree di miglioramento (vedi sotto, sezione "Dipendenze").

Gestione delle Eccezioni: Il codice include una gestione delle eccezioni abbastanza completa, con blocchi try...except in molti punti critici (caricamento dati, addestramento, ecc.). Questo aiuta a prevenire crash inaspettati e fornisce feedback all'utente. Tuttavia, ci sono alcune aree in cui la gestione delle eccezioni può essere migliorata (vedi sotto).

Interfaccia Utente (GUI): L'uso di tkinter per l'interfaccia grafica è appropriato per un'applicazione desktop di questo tipo. La GUI è ben organizzata, con l'uso di schede (ttk.Notebook) per separare le diverse sezioni. L'uso di pulsanti, campi di input, caselle di testo e grafici è ben implementato. Ci sono però dei suggerimenti per migliorare l'usabilità (vedi sotto, sezione "GUI").

Funzioni di Utilità: Il codice ha delle funzioni di utilità ben implementate, come set_seed, salva_info_modello, get_best_model_info, add_noise, calcola_prevedibilita, etc. Queste funzioni contribuiscono a rendere il codice più chiaro.

Funzioni di valutazione: Ottime le funzioni di valutazione, come valuta_attendibilita, valuta_accuratezza_previsione, calcola_probabilita_vincita, valuta_qualita_previsione. Queste sono molto importanti per dare all'utente una valutazione oggettiva della qualità delle previsioni.

2. Correttezza e Funzionalità

Caricamento Dati (carica_dati):

Gestione Date: Ottimo l'uso di pd.to_datetime per convertire le date e la gestione dell'intervallo di date.

Gestione Ruote: Corretta la gestione delle diverse ruote tramite il dizionario FILE_RUOTE.

Gestione Errori: La gestione degli errori nel caricamento e nella conversione dei dati è buona. Vengono gestiti FileNotFoundError, EmptyDataError, ParserError, ValueError, TypeError.

Validazione Dati: Fondamentale la validazione dei dati per assicurarsi che i numeri siano nel range corretto (1-90).

Normalizzazione: L'uso di RobustScaler è una scelta eccellente perché è meno sensibile agli outlier rispetto a MinMaxScaler. Il clipping e il riscalamento a [0, 1] sono corretti.

Costruzione del Modello (build_model):

Flessibilità: La funzione è molto flessibile, permettendo di configurare il tipo di modello (dense o LSTM), il numero di layer, i neuroni, il dropout, la funzione di attivazione e la regolarizzazione.

Gestione dei Parametri: Ottima la gestione dei parametri opzionali (dense_layers, dropout_rates) con valori predefiniti.

GaussianNoise: Corretta l'aggiunta del layer GaussianNoise in base alla configurazione.

Regolarizzazione: La gestione della regolarizzazione (L1, L2, nessuna) è ben implementata.

Attivazione Output: Corretto l'uso di una funzione di attivazione separata per il layer di output.

Gestione Nessuna Selezione: Molto buono che venga creata una rete neurale minima se l'utente non seleziona nè un tipo di modello, nè una funzione di attivazione.

Addestramento del Modello (on_seleziona_ruota):

K-Fold Cross-Validation: L'uso della K-Fold cross-validation è una best practice per valutare in modo più robusto le prestazioni del modello.

Early Stopping: L'implementazione dell'early stopping è corretta, con il monitoraggio di val_loss, patience e min_delta.

Learning Rate Scheduler: L'uso di LearningRateScheduler è una buona pratica per migliorare l'addestramento.

Rumore Adattivo: L'aggiunta del rumore adattivo (se abilitato) è una tecnica interessante.

Ensemble Learning: L'implementazione dell'ensemble learning è una caratteristica avanzata che può potenzialmente migliorare le prestazioni.

Salvataggio Modelli: Il salvataggio del miglior modello (e dei modelli intermedi) per ogni fold è fondamentale.

Previsione (ensemble_predict, genera_numeri_attendibili):

Ensemble Prediction: La funzione ensemble_predict è corretta.

Filtro Duplicati: La funzione filtra_duplicati è utile per evitare ripetizioni.

Generazione Numeri Attendibili: La funzione genera_numeri_attendibili è molto importante perché combina le previsioni del modello con i numeri storici in base all'attendibilità. Questa è una strategia intelligente.

Valutazione (valuta_attendibilita, valuta_accuratezza_previsione, ecc.):

Metriche: Il calcolo di diverse metriche (MAE, MSE, RMSE, R², accuratezza con tolleranza, ecc.) fornisce una valutazione completa.

Attendibilità: La funzione valuta_attendibilita fornisce un punteggio di attendibilità e un commento, il che è molto utile per l'utente.

Probabilità di Vincita: La funzione calcola_probabilita_vincita fornisce un'analisi statistica interessante.

Qualità Complessiva: La funzione valuta_qualita_previsione fornisce una valutazione complessiva della qualità della previsione.

Visualizzazione (mostra_grafico, visualizza_accuratezza):

Grafici: La generazione di grafici (andamento della loss, distribuzione dei numeri, accuratezza per tolleranza, ecc.) è molto utile per comprendere le prestazioni del modello.

Matplotlib: L'uso di matplotlib è appropriato per la visualizzazione.

Toolbar: L'aggiunta della toolbar (NavigationToolbar2Tk) è una buona pratica.

Gestione Best Model: Ottima la gestione del best model tramite salva_info_modello e get_best_model_info.

Aggiornamento Estrazioni: La funzione esegui_aggiornamento è importante per mantenere i dati aggiornati.

Gestione chiusura: Corretta la gestione della chiusura dell'applicazione.

Possibilita di caricare e valutare il Miglior Modello

Lo spunto ovviamente da Lottopython, saturno e Tom che ringrazio infinitamente.

Ci saranno ulteriori sviluppi?...si....Aggiungero qualche altro modulo in piu' ma in primis faccio qualche miglioria e verifica...

Vi allego qualche immagine

Ciao a tutti.

 

[SatuRno17]

Ciao a tutti,
tornando sull'argomento volevo condividere con voi questo nuovo metodo sicuramente migliore rispetto ai vecchi modelli. Se non lo avete già letto infatti in altro thread (quello sulle venus) ho scritto che non possiamo fare calcoli con i numeri perché essendo etichette non hanno un valore effettivo che li differenzia dagli altri...in parole semplici dovete immaginare che ci siano simboli/lettere al posto dei numeri sulle palline. Questo è quello che consiglia l'IA :
Il metodo one-hot serve a rappresentare informazioni categoriali (come numeri o simboli) in modo che una rete neurale possa capirle.
Le reti neurali non sanno cosa significa "numero 45", né sanno fare ragionamenti come "45 è vicino a 44".
Se tu usassi <<For k = 1 to 90 :inputs(k) = k : Next>>, stai dando informazioni ordinali (cioè: 45 è più grande di 30). Ma in problemi come il lotto, i numeri sono solo etichette: 45, 30 o 89 non sono "più simili" o "più importanti".
One-hot input permette alla rete di:
Vedere la presenza o assenza di ciascun numero
Trattare tutti i numeri in modo uguale e indipendente
In pratica: usi inputs(k) = 1 per i numeri estratti, 0 per gli altri. ( inputs() è l'array che contiene in numeri)

NUOVA ARCHITETTURA IN BREVE:

Componente	Vecchia versione	Nuova versione
Input	Numeri normalizzati da 1 a 90	Vettore one-hot da 90 elementi
Output	5 neuroni che producevano valori da 1 a 90	90 neuroni, uno per ciascun numero
Obiettivo	Prevedere 5 numeri con output continuo	Attivare solo i neuroni dei numeri estratti
Funzione attivazione	Sigmoid	Sigmoid (oppure Softmax se vuoi probabilità)
Obiettivo dell’output	Numeri singoli	Distribuzione binaria su 90 output (1 per numero estratto, 0 per altri)
Scelta dei numeri finali	Output * 90 → Int()	Prendi i 5 neuroni con output più alto

 

[filippo1963]

Domanda si può utilizzare questo addestramento con le estrazioni del 10 e lotto 5 minuti????

 

[SatuRno17]

Ciao Filippo, si si può fare ma prima di tutto serve l'archivio del 10elotto5, poi si dovrebbe scrivere il codice che legge gli estratti, le estrazioni ecc. E infine bisogna scrivere il codice per l'addestramento della rete. Io mi faccio aiutare da chatgpt perché non ne capisco molto di reti neurali.

 

[filippo1963]

Ciao Filippo, si si può fare ma prima di tutto serve l'archivio del 10elotto5, poi si dovrebbe scrivere il codice che legge gli estratti, le estrazioni ecc. E infine bisogna scrivere il codice per l'addestramento della rete. Io mi faccio aiutare da chatgpt perché non ne capisco molto di reti neurali.

Archivio c'è, il codice con aiuto di claude o chatgpt si può fare anche addestrare la rete neurale

 

[SatuRno17]

Recentemente, avendo più esperienza con python, ho condotto vari test con il modello al messaggio #229 e tra funzioni di attivazione, neuroni, strati, il problema rimane l'input e il target. Noi abbiamo:
X = [estrazione precedente con i 90 numeri one-hot] 'input
Y = [estrazione successiva con i 90 numeri one-hot] 'target
one-hot = 1 per gli estratti, zero per gli altri
Ciò che stona è proprio questa correlazione sbagliata tra estrazione precedente e successiva.
==========================================================================================
Se il tempo non ci può aiutare, magari lo può fare lo spazio ?
Chatgpt a riguardo dice:
Hai ragione: nel lotto (come in tutti i giochi d’azzardo ben progettati), le estrazioni sono indipendenti e senza memoria. Questo significa che il tempo non conta: il fatto che ieri sia uscito il 17 non cambia in alcun modo la probabilità che esca oggi.
Quindi dal punto di vista del tempo non c’è struttura sfruttabile.

Ma lo “spazio” invece?​

Dipende da cosa intendiamo:

1. Spazio degli esiti possibili

• Anche se il tempo non entra in gioco, lo “spazio” delle possibili combinazioni esiste eccome.
• Ad esempio, lo spazio di tutte le cinquine estraibili su 90 numeri è un enorme insieme finito, che può essere rappresentato geometricamente (un reticolo combinatorio, un grafo, un iperspazio).
• Ogni estrazione è un “punto” in questo spazio.

2. Spazio geometrico come modello visivo

• Possiamo disporre i numeri su una circonferenza, in un quadrato, in un grafo, ecc.
• Così le estrazioni diventano configurazioni geometriche (insiemi di punti nello spazio scelto).
• Non servono a prevedere il futuro, ma a dare una rappresentazione visiva della casualità.

3. Spazio delle probabilità

• La teoria delle probabilità è fondata sulla teoria della misura: ogni evento è una regione di uno spazio astratto.
• Lo spazio quindi non è solo una metafora: è una vera struttura matematica che descrive la casualità.

4. Moto Browniano (Caso puro)

• Ogni numero è come una particella che si muove a caso nello spazio, seguendo traiettorie irregolari, senza una direzione privilegiata.
• Dopo un po’, i numeri si distribuiscono in modo uniforme nello spazio, come molecole di gas.
• Questo rappresenta bene l’idea di “casualità pura” del lotto.

 

[filippo1963]

Recentemente, avendo più esperienza con python, ho condotto vari test con il modello al messaggio #229 e tra funzioni di attivazione, neuroni, strati, il problema rimane l'input e il target. Noi abbiamo:
X = [estrazione precedente con i 90 numeri one-hot] 'input
Y = [estrazione successiva con i 90 numeri one-hot] 'target
one-hot = 1 per gli estratti, zero per gli altri
Ciò che stona è proprio questa correlazione sbagliata tra estrazione precedente e successiva.
==========================================================================================
Se il tempo non ci può aiutare, magari lo può fare lo spazio ?
Chatgpt a riguardo dice:
Hai ragione: nel lotto (come in tutti i giochi d’azzardo ben progettati), le estrazioni sono indipendenti e senza memoria. Questo significa che il tempo non conta: il fatto che ieri sia uscito il 17 non cambia in alcun modo la probabilità che esca oggi.
Quindi dal punto di vista del tempo non c’è struttura sfruttabile.

Ma lo “spazio” invece?​

Dipende da cosa intendiamo:

1. Spazio degli esiti possibili

• Anche se il tempo non entra in gioco, lo “spazio” delle possibili combinazioni esiste eccome.
• Ad esempio, lo spazio di tutte le cinquine estraibili su 90 numeri è un enorme insieme finito, che può essere rappresentato geometricamente (un reticolo combinatorio, un grafo, un iperspazio).
• Ogni estrazione è un “punto” in questo spazio.

2. Spazio geometrico come modello visivo

• Possiamo disporre i numeri su una circonferenza, in un quadrato, in un grafo, ecc.
• Così le estrazioni diventano configurazioni geometriche (insiemi di punti nello spazio scelto).
• Non servono a prevedere il futuro, ma a dare una rappresentazione visiva della casualità.

3. Spazio delle probabilità

• La teoria delle probabilità è fondata sulla teoria della misura: ogni evento è una regione di uno spazio astratto.
• Lo spazio quindi non è solo una metafora: è una vera struttura matematica che descrive la casualità.

4. Moto Browniano (Caso puro)

• Ogni numero è come una particella che si muove a caso nello spazio, seguendo traiettorie irregolari, senza una direzione privilegiata.
• Dopo un po’, i numeri si distribuiscono in modo uniforme nello spazio, come molecole di gas.
• Questo rappresenta bene l’idea di “casualità pura” del lotto.

Interessante

 

[giorgio1960]

Aggiungo un secondo test
aggiornamenti al codice con un addestramento serrato.

il test prevede:
ambo su ruote prefissate PRINCIPALI E SECONDARIE

si tratta solo di un test lo ricordo .

buonasera a tutti, sto seguendo i vostri studi, saresti così gentile da condividere il codice aggiornato grazie

 

[Lottopython]

buonasera a tutti, sto seguendo i vostri studi, saresti così gentile da condividere il codice aggiornato grazie

è un programma molto old dovrei reimpostare il codice da capo con le estrazioni online ,ma il tempo è sempre poco è un progetto abbandonato.a
saluti

 

[giorgio1960]

è un programma molto old dovrei reimpostare il codice da capo con le estrazioni online ,ma il tempo è sempre poco è un progetto abbandonato.a
saluti

peccato e complimenti per tutto

 

[genios]

mi sono messo d'impegno

Con l IDE nero non si capisce nulla .

 

[batty]

esempio di analisi su estrazione passata , poi segue una previsione ATTUALE.

ESEGUO train : Range di estrazioni usato per il training della rete : [6071-7083] 1013 estrazioni 2019/07/02 - 2025/06/07 Ruota di ROMA.
estraggo i primi 5 numeri da ordinamento SCORE
estraggo i primi 5 numeri da ordinamento %max train rete
completo con numeri presi da (studio sui sincroni) , prob. montecarlo , Markow Chain 2 stati ,
IMMETTO tutti i numeri nella finestra "Selezione numeri per previsione trend".
ELEABORO ...

--- Analisi Trend Numeri Selezionati ---
• Parametro N°_Max_TREND: 3
• Range estrazioni considerate: 1013
------------------------------------------------------------
Num | Max | Trend | Prob.Orig | Hazard Rate | R (curr/avg) | Prob.Log | Dur.res | Ritardo
--------------------------------------------------------------------------------------------------------------
8 | 2 | 3 | 56.0% | 28.6% | 1.31 | 26.9% | 0.4 | 7 x
10 | 2 | 1 | 48.0% | N/A | N/A | N/A | N/A | 2 x
36 | 3 | 1 | 50.0% | N/A | N/A | N/A | N/A | 21 x
39 | 3 | 1 | 50.0% | N/A | N/A | N/A | N/A | 21 x
40 | 4 | 3 | 60.0% | 9.1% | 1.39 | 26.9% | 0.1 | 2
44 | 5 | 1 | 54.0% | N/A | N/A | N/A | N/A | 0
47 | 3 | 1 | 50.0% | N/A | N/A | N/A | N/A | 1
54 | 4 | 1 | 52.0% | N/A | N/A | N/A | N/A | 11
55 | 3 | 1 | 50.0% | N/A | N/A | N/A | N/A | 19
63 | 3 | 3 | 58.0% | 11.1% | 1.32 | 26.9% | 0.2 | 12 x
70 | 4 | 1 | 52.0% | N/A | N/A | N/A | N/A | 0
71 | 3 | 1 | 50.0% | N/A | N/A | N/A | N/A | 0
72 | 3 | 3 | 58.0% | 36.4% | 1.33 | 26.9% | 0.5 | 1 x
77 | 3 | 1 | 50.0% | N/A | N/A | N/A | N/A | 78
83 | 3 | 1 | 50.0% | N/A | N/A | N/A | N/A | 0
87 | 4 | 1 | 52.0% | N/A | N/A | N/A | N/A | 44

Spiegazione metriche:
- Prob.Orig: Probabilità originale di continuazione del trend
- Hazard Rate: Probabilità empirica che il trend continui
- R (curr/avg): Rapporto tra trend attuale e media storica
- Prob.Log: Probabilità basata su modello logistico
- Dur.res: Durata residua attesa del trend
- Ritardo: Numero di estrazioni dall'ultima uscita (0=uscito nell'ultima estrazione, se non uscito nel range RIT=range)

================================================================================
REPORT ANALITICO COMPLETO - STRATEGIA DI GIOCO
Parametri:
• N°_Max_TREND = 3
• Range estrazioni considerate = 1013
================================================================================

TOP NUMERI DA CONSIDERARE
--------------------------------------------------------------------------------
Migliori per trend continuativo:
- N° 8: Trend=3, Prob=56%, H.Rate=29%, R=1.31
- N° 40: Trend=3, Prob=60%, H.Rate=9%, R=1.39
- N° 63: Trend=3, Prob=58%, H.Rate=11%, R=1.32

Migliori per probabilità di continuazione:
- N° 40: Prob=60%, Trend=3, H.Rate=9%, R=1.39
- N° 63: Prob=58%, Trend=3, H.Rate=11%, R=1.32
- N° 72: Prob=58%, Trend=3, H.Rate=36%, R=1.33

Migliori per statistica storica (Hazard Rate):
- N° 72: H.Rate=36%, Trend=3, Prob=58%, R=1.33
- N° 8: H.Rate=29%, Trend=3, Prob=56%, R=1.31
- N° 63: H.Rate=11%, Trend=3, Prob=58%, R=1.32
--------------------------------------------------------------------------------

TOP NUMERI PER PUNTEGGIO INTEGRATO:
- N° 72: Punteggio=44.25, Trend=3, H.Rate=36.4%, R=1.33
- N° 8: Punteggio=40.35, Trend=3, H.Rate=28.6%, R=1.31
- N° 63: Punteggio=31.62, Trend=3, H.Rate=11.1%, R=1.32
- N° 40: Punteggio=30.61, Trend=3, H.Rate=9.1%, R=1.39
--------------------------------------------------------------------------------

NUMERI APPENA USCITI (ritardo=0):
44, 70, 71, 83

STRATEGIA CONSIGLIATA:
8-10-38-39-40-63-72 ROMA
--------------------------------------------------------------------------------
STATISTICHE GLOBALI
------------------------------------------------------------
• Estrazioni analizzate: 1013
• Numeri con trend ≥3: 4
• Numeri con Hazard Rate >50%: 12
• Numeri con R >1.3 (trend lunghi): 4
• Numeri appena usciti (ritardo=0): 4
================================================================================

ED ECCO IL RISULTATO 8-10-38-39-40-63-72 : ESITO al 1° colpo di gioco ambo 72-36

Nessuna correlazione significativa trovata tra i numeri selezionati


ESEGUO NUOVA RICERCA 23\10\2025 RUOTA ROMA

-- Analisi Trend Numeri Selezionati ---
Range di estrazioni usato per il training della rete : [6071-7161] 1091 estrazioni 2019/07/02 - 2025/10/23
RUOTA ROMA
SCORE 32-15-13-48-79-55
rete %max 68-72-90-9-10
Studio Sincroni 13-14-55-84-44
monte carlo 14-68-15-44-74
markov chain 2 statu 79-82-54-6-14


ESEGUO PREVISIONE TREND


• Parametro N°_Max_TREND: 3
• Range estrazioni considerate: 1091
------------------------------------------------------------
Num | Max | Trend | Prob.Orig | Hazard Rate | R (curr/avg) | Prob.Log | Dur.res | Ritardo
--------------------------------------------------------------------------------------------------------------
6 | 3 | 1 | 50.0% | N/A | N/A | N/A | N/A | 41 X
9 | 3 | 1 | 50.0% | N/A | N/A | N/A | N/A | 25 X
10 | 2 | 1 | 48.0% | N/A | N/A | N/A | N/A | 1 X
13 | 5 | 5 | 70.0% | 0.0% | 2.19 | 4.7% | 0.0 | 1 X
14 | 4 | 3 | 60.0% | 18.8% | 1.32 | 26.9% | 0.2 | 1 X
15 | 3 | 1 | 50.0% | N/A | N/A | N/A | N/A | 11
32 | 4 | 1 | 52.0% | N/A | N/A | N/A | N/A | 0
44 | 5 | 1 | 54.0% | N/A | N/A | N/A | N/A | 11
48 | 4 | 1 | 52.0% | N/A | N/A | N/A | N/A | 0
54 | 4 | 1 | 52.0% | N/A | N/A | N/A | N/A | 31
55 | 4 | 1 | 52.0% | N/A | N/A | N/A | N/A | 0
68 | 4 | 1 | 52.0% | N/A | N/A | N/A | N/A | 11
72 | 3 | 1 | 50.0% | N/A | N/A | N/A | N/A | 22
74 | 3 | 1 | 50.0% | N/A | N/A | N/A | N/A | 11
79 | 4 | 1 | 52.0% | N/A | N/A | N/A | N/A | 3
82 | 3 | 1 | 50.0% | N/A | N/A | N/A | N/A | 5
84 | 2 | 3 | 56.0% | 30.0% | 1.27 | 26.9% | 0.3 | 3 X
90 | 4 | 1 | 52.0% | N/A | N/A | N/A | N/A | 8

Spiegazione metriche:
- Prob.Orig: Probabilità originale di continuazione del trend
- Hazard Rate: Probabilità empirica che il trend continui
- R (curr/avg): Rapporto tra trend attuale e media storica
- Prob.Log: Probabilità basata su modello logistico
- Dur.res: Durata residua attesa del trend
- Ritardo: Numero di estrazioni dall'ultima uscita (0=uscito nell'ultima estrazione, se non uscito nel range RIT=range)

================================================================================
REPORT ANALITICO COMPLETO - STRATEGIA DI GIOCO
Parametri:
• N°_Max_TREND = 3
• Range estrazioni considerate = 1091
================================================================================

TOP NUMERI DA CONSIDERARE
--------------------------------------------------------------------------------
Migliori per trend continuativo:
- N° 13: Trend=5, Prob=70%, H.Rate=0%, R=2.19
- N° 14: Trend=3, Prob=60%, H.Rate=19%, R=1.32
- N° 84: Trend=3, Prob=56%, H.Rate=30%, R=1.27

Migliori per probabilità di continuazione:
- N° 13: Prob=70%, Trend=5, H.Rate=0%, R=2.19
- N° 14: Prob=60%, Trend=3, H.Rate=19%, R=1.32
- N° 84: Prob=56%, Trend=3, H.Rate=30%, R=1.27

Migliori per statistica storica (Hazard Rate):
- N° 84: H.Rate=30%, Trend=3, Prob=56%, R=1.27
- N° 14: H.Rate=19%, Trend=3, Prob=60%, R=1.32
- N° 13: H.Rate=0%, Trend=5, Prob=70%, R=2.19
--------------------------------------------------------------------------------

TOP NUMERI PER PUNTEGGIO INTEGRATO:
- N° 84: Punteggio=41.07, Trend=3, H.Rate=30.0%, R=1.27
- N° 14: Punteggio=35.44, Trend=3, H.Rate=18.8%, R=1.32
- N° 13: Punteggio=23.76, Trend=5, H.Rate=0.0%, R=2.19
--------------------------------------------------------------------------------

NUMERI APPENA USCITI (ritardo=0):
32, 48, 55

NUMERI A RISCHIO (trend lungo, possibile inversione):
13

STRATEGIA CONSIGLIATA:
--------------------------------------------------------------------------------
69-10-13-14-84 ROMA

STATISTICHE GLOBALI
------------------------------------------------------------
• Estrazioni analizzate: 1091
• Numeri con trend ≥3: 3
• Numeri con Hazard Rate >50%: 15
• Numeri con R >1.3 (trend lunghi): 2
• Numeri appena usciti (ritardo=0): 3
===============================================================================