简单易懂解释机器学习：以在线赌博和游戏公司为例

编译 | 量子位 若朴

赌徒往往依赖直觉，庄家偏爱铁一般的事实。他们的最终结局，殊途同归于预测。对于在线赌博和游戏公司而言，他们可以藉由用户鼠标的每次点击获得大量数据，而把这些数据变成有价值预测的关键，就是复杂的机器学习。

有何帮助？

机器学习的意思是，不需要细致入微的编程，就能让机器从数据中学到关系和模式。这种方式需要大型数据集和规划。不同的公司在开发机器学习算法是，有不同的优先级和目标。比方，有公司想利用玩家数据来改进游戏设计；而另一公司可能更希望最大化收入，并识别出最可能花钱的玩家。

让我们举个实际的例子：赌博防沉迷，赌博公司需要保证用户的行为，在监管要求的范围之内。机器学习算法是一个很好的解决方案，因为他们从过去的玩家行为的大量历史数据集中学习模式和相关性，然后可以预测未来的结果。比如判断玩家是否沉迷了。

赌博公司建立了行为正常玩家的数据，机器学习算法将识别玩家行为模式与正常值的偏差，进而检测是否出现上瘾沉迷的情况。一旦玩家沉迷，赌博公司就需要进行干预和纠正。

工作原理？

机器学习模型可以大致分成三种：聚类、分类和回归。

上面那个识别赌徒的例子，可以通过分类模型来实现，这种算法把一组数据按照预先设定的类别进行分类。例如，这种算法可以用于预测玩家是否会沉迷，玩家是机器人还是真人，玩家是不是可能注销游戏或者完全不用担心。

回归模型，则用来寻找两个或多个变量之间的关系，并给出一个预测值。比方，星期五晚上7点会有多少玩家在线，或者玩家有可能付出多少钱。

而聚类模型则用来识别相似的实例，并把他们组在一起。这通常用于推荐算法，即向某一类行为偏好相同的玩家推荐相关信息。这种模型也是一个数据挖掘的好工具，因为可以自动找到某些群体中的共同点。聚类模型也可以检测极端或者欺诈行为。

机器学习可以极大的推动在线赌博和游戏公司商业化进展，通过预测问题行为，让这些公司赶在损失还没有扩大之前就能采取行动。虽然机器学习需要大量的时间和资源投入，但正确使用的话，绝对是一笔完全的押注。