Par Super Neuro
Le 13 juillet de cette année marque le deuxième anniversaire de la sortie de « Pokémon Go ». Bien que le jeu ne soit pas encore entré sur le marché chinois, cela n'empêche pas cette propriété intellectuelle classique de gagner des utilisateurs mondiaux. Dans la liste des revenus récents,Pokémon Go estIl s'agit du quatrième jeu mobile le plus rentable au monde, après « Honor of Kings », « QQ Speed » et « Fantasy Westward Journey », ce qui signifie que « Pokémon Go » est le produit le plus rentable parmi les jeux mobiles non chinois au monde.
Il existe également un groupe d'ingénieurs ennuyés et immatures qui ont réussi à prédire les résultats des combats entre différents Pokémon dans « Pokemon GO » grâce à des modèles d'apprentissage automatique.
« Pokémon GO » a été lancé en septembre 2016 et est devenu un énorme succès. Le jeu a été développé conjointement par Nintendo, The Pokemon Company et Niantic Labs de Google.
Parmi eux, Pokémon est responsable du support de contenu, de la conception des jeux et du contenu de l'histoire ; Niantic est responsable du support technique et de la fourniture de la technologie AR pour le jeu, et Nintendo est responsable du développement du jeu et de la distribution mondiale.
Le jeu utilise principalement la technologie AR et les joueurs peuvent capturer des Pokémon et se battre dans le monde réel via leurs téléphones portables.
Il y a plus de 800 Pokémon dans le jeu, assignés à différents camps. Chaque Pokémon possède des attributs différents, notamment l'attaque, la défense, le coup, la vitesse, etc.
Affichage des valeurs d'attributs de certains de ces Pokémon
Golduck est le dragon le plus fort de Pokémon
Ces valeurs d’attribut sont les ensembles de données des résultats de prédiction du modèle d’apprentissage automatique. Actuellement, le modèle est principalement réalisé en trois étapes : « construire un classificateur, entraîner un classificateur et tester un classificateur ».
Construire un classificateur
Les classificateurs sont principalement utilisés pour classer des données, comme classer une image comme un chien ou un chat. Le classificateur de forêt aléatoire est le plus couramment utilisé, qui fonctionne en entraînant et en prédisant des données d'échantillon sur la base de plusieurs arbres de décision.
Classificateur d'arbre de décision
Parlons brièvement des arbres de décision. Supposons que l’on nous donne des informations sur le type, la taille, le poids, la vitesse, etc. d’un animal, et que l’on nous demande de déduire si l’animal est un chat, un chien ou autre chose. Cela peut être réalisé grâce à un arbre de décision.
Comme le montre la figure ci-dessus, une question est générée à chaque nœud de l’arbre de décision. Les sous-arbres peuvent être divisés en fonction de la réponse à la question, puis l'ensemble du processus est répété jusqu'à ce que nous déterminions si l'animal est un chat ou un chien.
On peut voir que l’avantage du classificateur d’arbre de décision est que, étant donné un ensemble de données, il peut poser les bonnes questions à chaque nœud (c’est-à-dire trouver les informations de gain), divisant ainsi l’arbre et augmentant la précision de chaque prédiction.
Classificateur de forêt aléatoire
Le classificateur de forêt aléatoire est un ensemble de plusieurs classificateurs d'arbres de décision. Par rapport à l’utilisation d’un seul arbre de décision, cette méthode peut obtenir de meilleurs résultats et est plus pratique.
Ok, construisons maintenant ce classificateur de forêt aléatoire. Comme indiqué ci-dessous : n_estimators donne le nombre d’arbres de décision utilisés pour créer la forêt aléatoire à 100.
Entraîner le classificateur
Les valeurs d'attribut des elfes sont utilisées comme ensembles de données (c'est-à-dire x_train), et le classificateur est formé via ces ensembles de données pour minimiser la perte de la valeur prédite et de la valeur réelle (c'est-à-dire y_train) sur l'ensemble d'entraînement.
La formation de l’ensemble du classificateur doit être réalisée en déterminant la relation entre les différentes valeurs d’attribut. Enfin, la précision du classificateur de forêt aléatoire atteint plus de 95%.
Tester le classificateur
Dans la prédiction réelle, l'ensemble de données utilisé est toujours constitué des valeurs d'attribut de tous les sprites, et le classificateur de forêt aléatoire prédit les résultats en fonction de ces valeurs.
Onix, Pidgeon, Squidward et Golduck sont 4 personnages de "Pokemon GO". Ce modèle prédira respectivement les résultats d'Onix VS Pidgeon et de Squidward VS Golduck.
Prédiction : Onix gagne
Prédiction : Le Golem à Ventouse gagne
Ce genre de combat n'est jamais apparu dans "Pokemon GO" auparavant. Si vous jouez à ce jeu, vous pouvez aussi bien l’essayer avec vos amis pour voir si les résultats sont vraiment ceux prédits par ce modèle.
Le projet a été publié sur Github par les ingénieurs, et d'autres amis intéressés peuvent également le consulter.
