朴素贝叶斯与神经网络

Question

我正在尝试建立一个非常简单的机器人，它可以和其他机器人玩石头剪刀(而且必须赢)。

我选择的特征是我自己和对手的前几个动作(我为每个动作创建了3个节点，每个节点都是真假的，所以之前的动作有6个节点)，以及我是否赢了最后一轮。这使得总共有7个特性作为输入。<-请告诉我，我是否正确地设置了我的特征

现在，我注意到这7个特征可以相互关联，这样的移动，最后一轮和赢/输可以结合起来，以创造另一个特点(例如。我输了+对手用石头=对手又用石头)。你认为哪种人工智能技术最能捕捉到这一点？神经网络或天真的贝叶斯..。甚至是另一个？

Answer 1

朴素贝叶斯的天真之处在于它假定功能是独立的。也就是说，它没有看到“我输了，对手用了石头”，相反它看到了“我输了”，也看到了“对手用石头”。“我输了”对自己来说是没用的，“对手用过的石头”也不是。所以朴素的贝斯不会给你很好的结果。

NNs可能会更适合一些，但我认为决策树可能是你最好的选择。作为奖励，您将了解决策树，这是一种比NNs更有用的人工智能技术。

Answer 2

实际上，我认为NNs很适合这个问题。但是我认为你需要更多的投入才能有更好的发挥:你至少需要为几个游戏建模(也就是说，“我玩/他们玩”不仅仅是在一轮，而是在过去的n回合中，n至少是，我不知道，3或4)。

你可以争论你是否需要一个“我赢了一轮”的输入:一方面，胜利是从剧本中涌现出来的，所以你并不严格需要它，但是“我玩了x而输了，所以下次我要玩y或者z”是一个可行的模式，如果你真的做了赢/输的话，这个模式会更容易理解。

这里的前提是，有一个模式序列是可以检测的(不仅仅是一个统计偏见，即对手比P更频繁地玩P，而且如果他们玩*PR*S，他们通常下一个玩P )。在我看来，这是一个合理的假设，这是一种模式，你应该能够用神经网络来理解。