1 當前成果

上圖是對于AI級別為40級以下的對局結果統計圖，橫坐標是對于AI級與當前模型預測級別的差值，縱坐標是玩家的勝率。由圖中可以看出，玩家勝率符合預測。當AI級別比預測級別高時，玩家勝率越來越低，反之玩家勝率會越來越高；當預測級別與AI級別級基本相同時勝率在0.5左右。下圖是級別差與平局數量的關系，當預測級別與AI級別級別相同時，出現平局的次數也最多。

上圖是AI級別為40級以上的對局結果統計圖，統計結果反映該區間的勝負情況與級別差值無明顯關系。對于該類對局，包含了真實的高等級玩家和越級挑戰玩家，越級挑戰的玩家由于預測級別往往較低，可以被認為是較為準確的預測。而對于高等級的玩家則難以預測。

該圖反映了AI級別為40級以上的對局中，預測級別差與玩家勝利次數間的關系，由縱坐標可以看出，在該級別區間的對局數量很少，且玩家失敗的概率遠遠大于玩家獲勝的概率，這表示真正的高等級玩家非常少。

2 高等級玩家預測

對于高等級玩家的預測存在以下難點：

高等級玩家數據非常少：玩家等級的預測依賴于數據，數據量的大小直接影響了預測的效果。由于玩家的等級無法顯示，因此需要分析玩家與高等級AI的對局得到。此類對局的數量很少，且通過上文分析可知，其中大多數是越級挑戰的玩家，真正的高等級玩家非常少。這為學習高等級玩家的行為特征帶來了巨大的困難。

高等級玩家之間的行為存在著較大的相似性：對于黑白棋的大多數局面，可選擇的最優解往往很少，在一定等級上的高等級玩家都會選擇相似的步驟，等級差異只會在某幾個關鍵步驟上體現出來。

高等級人類和AI之間的行為具有不同的特征：根據以往的研究，很難采用AI對戰的方法來獲取人類用戶的行為特征。

基于代價敏感的考慮，沒有必要對高等級玩家的預測，原因如下：

高等級玩家占比很少，但預測消耗較大：通過上圖分析可以看出，在40級以上能與AI打成平手或勝利的玩家寥寥無幾，但預測此類玩家需要模型有更為細致的特征區分能力，即算法運算時間會增加，研發時間更長，當前投入無法得到相應的回報。

模型的替代成本：當前模型對中低水平的玩家預測較為準確，絕大部分用戶的級別都處于該區間。若繼續開發高等級預測模型，一方面可能會導致對低等級的預測效果不如當前模型；另一方面可能需要推翻當前模型，成本較高。

因此，目前無需特意研究高等級玩家的級別預測。若日后高等級玩家增多，數據量較大時才存在研究必要。

總結

以上是生活随笔為你收集整理的黑白棋级别预测的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。