问TicTacToe线性回归精度低与R^2评分

EN

线性回归不适用于这个问题，因为你使用的板特征和目标变量之间的关系不是线性的。

这就是数据科学家们将如何创建抽搐脚趾训练集的方式吗？

你的目标不是100%清楚。为了简单起见，我将选择您的目标为“预测X最终获胜的概率，考虑到当前的董事会状态和双方在未来完全随机发挥的可能性”。这似乎就是你在做的事。

顺便说一句，这不是训练神经网络预测游戏中最佳动作的直接途径。对于这个简单的游戏，如果这是你的最终目标的话，它可能是可以接受的，但是如果你想让机器学习来玩游戏，你可能应该考虑强化学习，特别是强化学习，作为一个管理训练数据的框架。

回到您的问题，您所做的对于创建数据集来说是可以接受的，尽管我想检查：

对于每一场平局(全场比赛)，我都不算什么。

如果这意味着你仍然在存储导致领带的状态，但是有一个不同的标签，那就没问题了。如果您正在丢弃关于领带的数据，那么这将扭曲数据集并可能影响您的预测--除非您在测试时也要丢弃领带。

这也是有点不寻常的：

最后，我得到了我的训练数据集，其中包括董事会状态(特征集)和结果，即百分比(浮动品脱值)。在那个州赢了80%的比赛。

这是不寻常的，因为当功能相同时，您已经将数据预处理为摘要行。当与近似函数一起使用时，这会扭曲数据集(与大多数ML统计学习者一样，线性回归是一个近似函数)，因为您丢失了发生这些特性的次数。当您这样做时，预测函数为使自己更准确地处理公共状态而做的任何平衡都会丢失。更正常的做法是将所有记录保持独立，并让ML方法解决取平均值的最佳方法。如果你测量你完成的模型的准确性通过随机抽样的新玩游戏，它可能有低于可能的准确性，因为这一点。

对于记录的数据收集，更常见的做法是将所有观测数据分开，而不是在训练分类器之前对其进行汇总。然后，分类器可以对数据进行拟合，允许每次观测的频率。

除了关于联系的警告(你很可能是正确的)和过早地取平均数，加上你的数据集只能帮助预测完全随机游戏的结果这一限制，那么数据集在我看来是可以的。上述两个问题都不足以引起您注意到的问题。你的预测不适用线性回归的主要原因是预测函数需要非线性。

解决这个问题的一个简单方法是使用非线性预测器，比如神经网络，或者像xgboost这样的决策树算法。

如果使用神经网络，以下内容可能会有所帮助：

• 利用乙状结肠激活在输出层和二进制交叉熵损失.当输出是概率时，这应该会有所帮助。
• 使用值-1代替2标记O.所扮演的板中的位置，这不是严格要求的，但是当输入数据在接近1标准差的情况下，神经网络会更快、更准确地学习。

值得注意的是，您的平均胜率表已经是相当合理的预测模型的游戏玩。对于TicTacToe来说，它应该运行得很好，因为有有限的状态。在使用随机游戏的20k游戏之后，您将拥有几乎每一种可能状态的记录，并且有些游戏将有相当精确的平均值(例如，X的每一次初始游戏将有大约2000次抽样连续，这将使您在几个百分点内的胜率)。这种方法的缺点是它不能概括到新的看不见的状态，但实际上在细节重要的棋盘游戏中很难做到这一点。