雷鋒網(wǎng) AI 科技評(píng)論按：本文作者朝陽，原文載于集智專欄，雷鋒網(wǎng) AI 科技評(píng)論獲其授權(quán)發(fā)布。
機(jī)器學(xué)習(xí)不只是書本和文檔中的枯燥理論，事實(shí)上，機(jī)器學(xué)習(xí)方法已經(jīng)可以應(yīng)用在我們?nèi)粘Ｉ畹暮芏鄨鼍爸校踔潦俏覀冊(cè)谕嬗螒虻臅r(shí)候，機(jī)器學(xué)習(xí)也能幫我們一起哈啤。
比如在玩Dota2的時(shí)候，大家除了經(jīng)常抱怨服務(wù)器問題，另外一個(gè)頻繁出現(xiàn)的問題就是：「臥槽這么多英雄我該玩什么才好，隨機(jī)吧又怕隨出個(gè)不會(huì)玩的，選個(gè)大哥吧又怕背鍋。。。快快快開始掉錢了，選什么選什么。。。算了還是隨機(jī)吧～～～臥槽米波！！！」
玩米波需要超高的手速和手感，因此不是所有玩家都能玩米波
選英雄絕對(duì)是一個(gè)難題，對(duì)于職業(yè)選手而言更是如此，賽前BP時(shí)如果出現(xiàn)問題將會(huì)直接導(dǎo)致比賽失去懸念，那么冥冥之中有沒有什么東西能在我們選英雄的時(shí)候幫我們提高勝率呢？當(dāng)然有，機(jī)器學(xué)習(xí)就可以幫我們選出一手好英雄。
好的BP對(duì)于職業(yè)比賽而言非常重要
Reddit上面的網(wǎng)友Andrei Apostoae剛剛發(fā)布了一個(gè)很有意思的機(jī)器學(xué)習(xí)項(xiàng)目（網(wǎng)站地址見文末），叫做Dota2 Predictor。這個(gè)項(xiàng)目就是使用機(jī)器學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)以及邏輯回歸方法，通過分析50萬場Dota2比賽來幫助大家選擇比賽中的最后一個(gè)英雄，以及針對(duì)對(duì)戰(zhàn)雙方的英雄陣容來預(yù)測比賽勝率。這個(gè)使用Python編寫的程序同時(shí)提供了GUI界面，其界面如下：
如上圖所示，在輸入完9個(gè)已選英雄然后再輸入平均天梯分之后，就可以讓程序?yàn)槟阃扑]一些最能帶隊(duì)伍走向勝利的英雄來供你選擇。
根據(jù)作者的說法，該算法的最終預(yù)測可靠性可以達(dá)到0.63的ROC AUC評(píng)分——確實(shí)不是很高，但已經(jīng)非常不錯(cuò)了，要知道影響一場比賽的可不僅僅是陣容，選手的狀態(tài)、發(fā)揮以及一些偶然因素會(huì)更加關(guān)鍵。而如果僅憑陣容就能占得一絲先機(jī)，對(duì)于隊(duì)伍而言已經(jīng)是再好不過了。
該程序使用Python 2.7編寫，程序內(nèi)同時(shí)提供了比賽數(shù)據(jù)下載和模型訓(xùn)練的接口，以便大家自行使用最新版本的比賽結(jié)果來進(jìn)行預(yù)測。程序默認(rèn)提供了50萬場比賽的訓(xùn)練結(jié)果模型，而且為了提升精準(zhǔn)度，算法考慮到了用戶的天梯分（MMR）對(duì)于比賽結(jié)果的影響。當(dāng)然，通過這個(gè)程序我們也可以輕松得到當(dāng)前版本下各個(gè)英雄的平均勝率比較。
這個(gè)工具一個(gè)最大的作用就是可以通過陣容來預(yù)測每一方的勝率，我們這里不妨使用之前的比賽來測試一下。我們選取了TI7預(yù)選賽中LGD對(duì)陣VG的一場比賽，其對(duì)戰(zhàn)陣容是這樣的：
我們將所有英雄輸入預(yù)測程序，然后點(diǎn)擊預(yù)測按鈕，程序給出了如下的反饋：
（職業(yè)選手的天梯分一般都會(huì)高于6000，有些選手因?yàn)樯瞄L打天梯所以分?jǐn)?shù)會(huì)特別高，但不具有普遍參考性）
根據(jù)程序的預(yù)測，夜魘方（Dire）有56.12%的概率獲勝——這個(gè)勝率并不是非常高，意味著雙方的陣容基本勢均力敵，夜魘方只是略占優(yōu)勢。
那么真實(shí)的比賽結(jié)果呢？其實(shí)是LGD的天輝方獲得了最后的勝利，程序預(yù)測失敗了——但是，讓我們不妨來看一下比賽的進(jìn)程：
從經(jīng)濟(jì)曲線中我們看出，夜魘方其實(shí)在中期具有很大優(yōu)勢，直到55分鐘才突然崩盤，這可能源于一次失誤，但是我們已經(jīng)可以知道，陣容上的部分優(yōu)勢已經(jīng)幫助夜魘方在中期建立了較大優(yōu)勢，只是后期的發(fā)揮影響了比賽結(jié)果。程序的預(yù)測雖然是錯(cuò)誤的，但并不是毫無意義的，夜魘方的英雄搭配仍然值得推薦！！
我們?cè)賮頁Q一場比賽看看，我們選取了一場TI7預(yù)選賽南美賽區(qū)的比賽（有點(diǎn)菜雞互啄的味道）。我們直接上程序的預(yù)測結(jié)果：
我的天夜魘勝率這么高，那這天輝方還打個(gè)毛——事實(shí)上比賽結(jié)果也確實(shí)是這樣，天輝被從頭虐到尾，輸?shù)恼也坏奖薄?br/>
但是這個(gè)程序還有另外一個(gè)用途，就是可以幫助我們找出導(dǎo)致隊(duì)伍勝率這么低的罪魁禍?zhǔn)住簿褪钦胰吮冲仭Ｔ谏厦娴谋荣愔校绻覀儼焉惩鯎Q掉，比如說換做大屁股試試看。
我們可以看到把沙王換掉之后的結(jié)果發(fā)生了巨大的變化，天輝方變成了有優(yōu)勢的一方，這說明程序認(rèn)為沙王這一手選的非常失敗，而真實(shí)比賽的結(jié)果呢？讓我們來看一看：
事實(shí)確實(shí)如此，沙王KDA僅有1，死亡次數(shù)達(dá)到10次實(shí)在是慘不忍睹。
當(dāng)然，程序也僅僅是程序，并不具備未卜先知的能力，所作出的預(yù)測也僅僅具有參考意義。經(jīng)過多次嘗試之后，我們會(huì)發(fā)現(xiàn)程序的某計(jì)算過程很容易陷入局部最優(yōu)，比如僅僅因?yàn)橹嫠梗▃eus）的總體勝率很高，程序就會(huì)頻繁向玩家推薦使用宙斯這個(gè)英雄；又因?yàn)槟承┯⑿郏ū热缧【`）的登場概率很低，程序就會(huì)對(duì)這些英雄的勝率做出錯(cuò)誤的估計(jì)。
另外一點(diǎn)，由于訓(xùn)練過程所分析的數(shù)據(jù)維度有限，某些陣容分析也會(huì)與大家的直覺相悖。比如說該程序在某一方已經(jīng)擁有四個(gè)Carry的時(shí)候仍然會(huì)向玩家推薦幽鬼這個(gè)英雄。對(duì)于這一問題，作者解釋說因?yàn)槌绦虿⑽捶治鲫嚾莸奈淮味鴥H僅是分析過往比賽中英雄之間的相互影響狀況，所以導(dǎo)致最終推薦結(jié)果可能仍然無法貼近現(xiàn)實(shí)的比賽結(jié)果。也就是說，這個(gè)項(xiàng)目中用到的算法仍然有著很大的進(jìn)步空間，愿意研究的同學(xué)可以前往 https://github.com/andreiapostoae/dota2-predictor 下載源碼并進(jìn)行調(diào)試。
PS. 我站之前也做過類似的實(shí)驗(yàn)項(xiàng)目，不過當(dāng)時(shí)的研究重點(diǎn)是集中于某個(gè)英雄本身而不是比賽總體的陣容搭配，有興趣的讀者可以前往 https://jizhi.im/blog/post/dota2dom 一探究竟。
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
