超神経質で
今年の 7 月 13 日は、「ポケモン GO」のリリース 2 周年を迎えますが、このゲームは中国市場では発売されていませんが、この古典的な IP の世界的なユーザー獲得には影響しません。最近の収入リストでは、『ポケモンGO』は、「Honor of Kings」、「QQ Speed」、「Fantasy Westward Journey」に次いで世界で 4 番目に収益の高いモバイル ゲーム。これは、「Pokemon Go」が中国以外のモバイル ゲームの中で最も収益の高い製品であることを意味します。世界で。
また、機械学習モデルを使用して、「ポケモン GO」でのさまざまなポケモン間の戦闘結果を予測することに成功した、退屈した中堅エンジニアのグループもいます。
2016年9月にサービスが開始され、大ヒットとなった『ポケモンGO』。このゲームは任天堂、株式会社ポケモン、Google の Niantic Labs によって共同開発されています。
その中で、ポケモンはコンテンツサポート、ゲームデザイン、ストーリーコンテンツを担当し、Nianticは技術サポートとゲームのAR技術の提供を担当し、任天堂はゲーム開発と世界配信を担当します。
このゲームは主に AR 技術を使用しており、プレイヤーは携帯電話を通じて現実世界でポケモンを捕まえて戦うことができます。
ゲームには 800 匹以上のポケモンが存在し、それぞれのポケモンは攻撃、防御、ヒット、スピードなどの異なる属性を持っています。
一部のポケモンの特性値を表示
ゴータダックはポケモンの最強の仲間と考えられています
これらの属性値は機械学習モデルの予測結果のためのデータセットであり、現在モデルは主に「分類器の構築、分類器のトレーニング、分類器のテスト」の3つのステップを経て完成します。
分類器を構築する
分類子は主にデータを分類するために使用されます。たとえば、与えられた画像を犬か猫として分類します。より一般的に使用されるのはランダム フォレスト分類器です。これは、複数のデシジョン ツリーに基づいてサンプル データをトレーニングおよび予測することによって機能します。
決定木分類器
決定木について簡単に説明します。動物のカテゴリ、身長、体重、速度などに関する情報が与えられ、その動物が猫なのか、犬なのか、それとも他の何かなのかを推測するように求められたとします。デシジョンツリーを通じて。
上の図に示すように、決定木の各ノードで質問が生成され、その質問に対する回答に基づいてサブツリーがさらに分割され、動物が猫であるかどうかが判断されるまでプロセス全体が繰り返されます。犬。
デシジョン ツリー分類器の利点は、データ セットが与えられた場合に、各ノードで正しい質問をする (つまり、ゲイン情報を見つける) ことができることであり、それによってツリーが分割され、各予測の精度が向上することがわかります。 。
ランダムフォレスト分類子
ランダム フォレスト分類器は、複数の決定木分類器の集合です。この方法は、単一の決定木を使用する場合と比較して、より良い結果が得られ、より実用的です。
さて、このランダムフォレスト分類器を構築しましょう。以下に示すように: n_estimators は、ランダム フォレストの作成に使用されるデシジョン ツリーの数を 100 として示します。
分類子を訓練する
エルフのそれぞれの属性値をデータ セット (つまり x_train) として使用し、これらのデータ セットを通じて分類器をトレーニングし、トレーニング セット上の予測値と実際の値 (つまり y_train) の間の損失を最小限に抑えます。
分類器全体のトレーニングは、さまざまな属性値間の関係を判断することによって実現する必要があります。最終的に、ランダム フォレスト分類器の精度は 95% 以上に達しました。
テスト分類子
実際の予測では、使用されるデータセットは依然としてすべてのエルフの属性値であり、ランダムフォレスト分類器はこれらの値を通じて結果を予測します。
ロックスネーク、ピジョット、サッカーゴーレム、ゴータダックは、『Pokemon GO』の4人のキャラクターです。このモデルは、それぞれロックスネーク VS ピジョット、サッカーゴーレム VS ゴータダックの結果を予測します。
予想結果: ビッグ ロック スネークの勝利
予想結果：吸盤ゴーレムの勝利
このような戦いはこれまでの『Pokemon GO』には登場しませんでした。このゲームをプレイしている方は、このモデルの予測どおりの結果が得られるかどうか、友達と一緒に試してみるとよいでしょう。
このプロジェクトはエンジニアによって Github でリリースされており、興味のある他の友人も知ることができます。
