Von Super Neuro
Der 13. Juli dieses Jahres markiert den zweiten Jahrestag der Veröffentlichung von „Pokémon Go“. Obwohl das Spiel noch nicht auf dem chinesischen Markt ist, hat dies keinen Einfluss darauf, dass dieses klassische geistige Eigentum weltweit Nutzer gewinnt. In der aktuellen EinkommenslistePokémon Go istEs ist nach „Honor of Kings“, „QQ Speed“ und „Fantasy Westward Journey“ das viertumsatzstärkste Handyspiel der Welt, was bedeutet, dass „Pokemon Go“ das umsatzstärkste Produkt unter den nicht-chinesischen Handyspielen der Welt ist.
Es gibt auch eine Gruppe gelangweilter und unreifer Ingenieure, die mithilfe von Modellen des maschinellen Lernens erfolgreich die Kampfergebnisse zwischen verschiedenen Pokémon in „Pokémon GO“ vorhersagen konnten.
„Pokémon GO“ kam im September 2016 auf den Markt und wurde ein Riesenerfolg. Das Spiel wurde gemeinsam von Nintendo, The Pokemon Company und Googles Niantic Labs entwickelt.
Unter anderem ist Pokémon für die Inhaltsunterstützung sowie die Gestaltung von Spielen und Story-Inhalten verantwortlich. Niantic ist für den technischen Support und die Bereitstellung der AR-Technologie für das Spiel verantwortlich und Nintendo ist für die Spieleentwicklung und den weltweiten Vertrieb verantwortlich.
Das Spiel nutzt hauptsächlich AR-Technologie und Spieler können Pokémon fangen und mit ihren Mobiltelefonen in der realen Welt kämpfen.
Es gibt mehr als 800 Pokémon im Spiel, die verschiedenen Lagern zugeordnet sind. Jedes Pokémon hat unterschiedliche Eigenschaften, darunter Angriff, Verteidigung, Treffer, Geschwindigkeit usw.
Zeigt die Attributwerte einiger dieser Pokémon
Golduck ist der stärkste Drache in Pokémon
Diese Attributwerte sind die Datensätze der Vorhersageergebnisse des maschinellen Lernmodells. Derzeit wird das Modell hauptsächlich in drei Schritten fertiggestellt: „Erstellen eines Klassifikators, Trainieren eines Klassifikators und Testen eines Klassifikators.“
Erstellen eines Klassifikators
Klassifikatoren werden hauptsächlich zum Klassifizieren von Daten verwendet, beispielsweise zum Klassifizieren eines Bildes als Hund oder Katze. Am häufigsten wird der Random-Forest-Klassifikator verwendet, der durch Training und Vorhersage von Beispieldaten auf der Grundlage mehrerer Entscheidungsbäume funktioniert.
Entscheidungsbaum-Klassifikator
Lassen Sie uns kurz über Entscheidungsbäume sprechen. Angenommen, wir erhalten Informationen über Art, Größe, Gewicht, Geschwindigkeit usw. eines Tieres und sollen daraus schließen, ob es sich bei dem Tier um eine Katze, einen Hund oder etwas anderes handelt. Dies kann durch einen Entscheidungsbaum erreicht werden.
Wie in der obigen Abbildung gezeigt, wird an jedem Knoten des Entscheidungsbaums eine Frage generiert. Je nach Antwort auf die Frage können Teilbäume weiter unterteilt werden. Anschließend wird der gesamte Vorgang wiederholt, bis wir feststellen, ob es sich bei dem Tier um eine Katze oder einen Hund handelt.
Es ist ersichtlich, dass der Vorteil des Entscheidungsbaumklassifizierers darin besteht, dass er bei einem gegebenen Datensatz an jedem Knoten die richtigen Fragen stellen kann (d. h. die Gewinninformationen herausfinden), wodurch der Baum unterteilt und die Genauigkeit jeder Vorhersage erhöht wird.
Random Forest-Klassifikator
Der Random-Forest-Klassifikator ist eine Sammlung mehrerer Entscheidungsbaum-Klassifikatoren. Im Vergleich zur Verwendung eines einzelnen Entscheidungsbaums können mit dieser Methode bessere Ergebnisse erzielt werden und sie ist praktischer.
Okay, jetzt bauen wir diesen Random-Forest-Klassifikator. Wie unten gezeigt: n_estimators gibt die Anzahl der Entscheidungsbäume an, die zum Erstellen des Zufallswalds als 100 verwendet wurden.
Trainieren des Klassifikators
Die Attributwerte der Elfen werden als Datensätze verwendet (d. h. x_train), und der Klassifikator wird anhand dieser Datensätze trainiert, um den Verlust zwischen den vorhergesagten Werten und den tatsächlichen Werten (d. h. y_train) im Trainingssatz zu minimieren.
Das Training des gesamten Klassifikators muss durch die Bestimmung der Beziehung zwischen verschiedenen Attributwerten erfolgen. Schließlich erreicht die Genauigkeit des Random-Forest-Klassifikators mehr als 95%.
Testen des Klassifikators
Bei der tatsächlichen Vorhersage besteht der verwendete Datensatz immer noch aus den Attributwerten aller Sprites, und der Random-Forest-Klassifikator sagt die Ergebnisse basierend auf diesen Werten voraus.
Onix, Tauba, Thaddäus und Golduck sind 4 Charaktere in „Pokémon GO“. Dieses Modell sagt die Ergebnisse von Onix VS. Pidgeon bzw. Thaddäus VS. Golduck voraus.
Prognose: Onix gewinnt
Vorhersage: Saugnapf-Golem gewinnt
Diese Art von Kampf gab es in „Pokémon GO“ noch nie. Wenn Sie dieses Spiel spielen, können Sie es auch mit Ihren Freunden ausprobieren, um zu sehen, ob die Ergebnisse wirklich den Vorhersagen dieses Modells entsprechen.
Das Projekt wurde von den Ingenieuren auf Github veröffentlicht und kann auch von anderen interessierten Freunden ausprobiert werden.
