发表日期：2019-05-31

机器学习怎么玩？不如先来盘精灵宝可梦对战？

—— 快让你的朋友们看看，你是如何专业地预测战斗结果，成为伟大的宝可梦训练家吧！

作者：Saurabh Charde

图片来源：The Verge

今天的文章里，我们将使用机器学习技术，对精灵宝可梦（宠物小精灵/神奇宝贝/口袋妖怪）中的对战结果进行预测。特别有趣的是，我们将会预测许多前所未见的战斗，而你也可以通过我们放在 Github 上的 Jupyter Notebook 代码，亲自调教这个 AI！

快让你的朋友们看看，你是如何专业地预测战斗结果，成为伟大的宝可梦训练家吧！

虽然以前不叫这个名字，但精灵宝可梦系列游戏应该是我们童年中不可或缺的一部分吧。最近，《大侦探皮卡丘》的上映，再次掀起了这一热潮。那么，我们现在面对的问题就是，根据不同宝可梦的属性数据（比如攻击、防御、速度等），预测一些之前未发生过的随机对决的胜负情况。听起来是不是很有趣啊？

不过，在开始之前，让我们先简单介绍一下相关的背景知识。

实际上，要预测对战结果，最大的困难在于，我们只熟悉不多的一些宝可梦，而其实整个精灵宝可梦的世界中，存在着超过 800 种以上的宝可梦。这可真不少，对吧？那么，为了预测对战结果，我们就需要研究这所有 800 种宝可梦，观察它们的行动，特殊攻击，以及比赛数据等等。简而言之，需要考虑的东西（数据）实在是太多了，导致我们需要许多天时间，才能获取足够的信息，以便正确预测每场比赛的结果。（没错吧？）

这也就是机器学习技术大显身手的时候啦。当你有非常多的数据，而你需要通过这些数据进行一些预测(比如天气预报，根据症状推测疾病信息等等)，那么我们就可以用上机器学习（是不是很简单？）

熟悉数据集

数据集中的前五行数据

数据集，是针对某个特定主题（比如今天我们的例子是宝可梦）的大量数据的集合。这个数据集中提供了许多宝可梦的信息，比如生命值、攻击值、特殊防御以及是否传说宝可梦（是=1,否=0）等。上图显示的是表中前5行的数据，整个数据集总共有 800 个宝可梦的数据（也就是有 800 行）。

看过数据集之后，我们就可以着手准备对它使用机器学习啦。

如何应用机器学习

把大象放进冰箱错了，构建一个机器学习模型，需要 3 个步骤：

1. 构建分类器

2. 训练分类器

3. 测试分类器

构建分类器

注：分类器用来将数据区分成各个不同的类别。比如，给出一张动物图片，将它分类成猫或者狗）

为了从数据中提取信息，我们需要利用一些机器学习的模型（分类器），这些模型基本上可以看作是用来从给定的数据中寻找特定的模式，以便利用数据进行预测的算法（看晕了？继续看下去就好了）。

为了达到这一目的，我们将使用随机森林算法（分类器），它是决策树算法的一个更好的实现。

一个分类动物用的简单决策树

假设我们的任务是根据动物的类型、身高、体重或速度等特征来猜测这是什么动物。如上图所示，我们可以使用决策树轻松地对此任务进行建模。因此，在决策树的每个节点上，我们都会问一个问题，并根据答案进一步划分出不同的子树。不断重复这个过程，直到我们能确定这是什么动物为止。因此，对于给定数据集，决策树分类器将在每个点处询问正确的问题（增加信息增益），以便用正确的方式（增加每个预测的置信度）对树进行划分（增加结果的准确性）。

时间复杂度 = O(树的深度)

一个简单的随机森林示意图

就像森林是树木的集合那样，随机森林算法也将使用多个决策树，并最终组合每个决策树的结果以预测其最终结果。我们可以把它想象为将多棵树学到的东西合为一体。这种方法能比使用单个决策树提供更准确的结果。

clf = RandomForestClassifier(n_estimators=100)

一个有 100 棵决策树的“森林”

最后，我们用上面这样的代码构建一个随机森林。其中 n_estimators 参数决定了森林中决策树的数量（这里是 100）。

训练分类器

根据我们的任务，两只宝可梦，每个都有一套自己的属性（速度、攻击力，等等），最后的结果中，其中一只将会胜利。

model = clf.fit(x_train, y_train)
pred = model.predict(x_test)
print('准确率 ', accuracy_score(pred, y_test)*100)
# 输出结果：准确率 95.008

训练并检测分类器的准确率

我们在宝可梦数据集（也就是 x_train）上训练（或拟合）我们的分类器，目标是尽可能减小预测值和实际值（y_train)之间的差距。这里的训练意味着发现数据集中不同属性之间的关系，并以此进行预测。

然后，我们对训练出的分类器进行检测，并计算它的预测准确度。当前结果是 95.008%（这意味着这个分类器在 100 场对决中能预测成功 95 个），这对我们来说是一个不错的开始。

到现在，我们已经完成了所有构建、训练分类器的工作，可以让它试试挑战一些真实对决的数据啦。

测试分类器

决战的时刻到了。让我们给分类器一些随机的宝可梦对决数据，让它为我们预测一下战斗结果吧。我们已将所有这些随机对决的数据存储在另一个名为 test_data 的数据集中。

这个数据集差不多长这样：

包含测试对决数据的数据集

这两列数据对应的是将要进行对决的宝可梦的名字。我们现在就将这两个宝可梦（的名字…不然呢？）喂给分类器，而我们的算法将最终返回它所预测的，这场战斗中最可能的胜利者。请记住，分类器可不是随机瞎猜的。事实上，它将会仔细分析对战双方的各个参数，以作出最准确的决定（这就是机器学习的力量）。

准备好面对结果了吗？

那么，你觉得 大岩蛇 和 波波 对战，谁会赢？

图片来源: Google 图片

让我们用机器学习模型预测一下吧。

获胜者是大岩蛇

好吧，这场比赛没有什么悬念。让我们再试试其他的。

魔墙人偶 对战 可达鸭，你觉得结果如何？

图片来源: Google 图片

事实上，在宝可梦官方系列中，这两个宝可梦还没有对战记录，所以我们是在预测未来可能发生的战斗！（爽！）

那么，最后结果如何？

获胜者是魔墙人偶

如果你认真仔细地分析一下，你也会发现，魔墙人偶确实会有那么一点获胜的优势。

今天，我们一起探索了这样一个可以用机器学习来解决的，非常基本的问题。本文中涉及的许多概念构成了大多数机器学习方法的基础。我试着用最简单的方式来解释这些概念，这样大家都能对机器学习的工作方式有一个比较清楚的概念，并且能将它用在实际生活当中。

最后，我希望大家能给这篇文章提提建议，分享一下你们自己是怎么接触和使用机器学习算法的吧。

（本文已投稿给「优达学城」。 原作： Saurabh Charde 编译：欧剃 转载请保留此信息）

编译来源： https://medium.com/ai-enigma/predicting-pokemon-battle-winner-using-machine-learning-d1ed055ac50

标签：Udacity、Translate、Machine-Learning