#author("2019-12-31T15:10:50+00:00","default:f-lab","f-lab") #contents *今回やること [#o620177f] -プレイヤー全員の役職を一気に推定するモデルを作成してみる *実践 [#ee957ae3] **学習データについて [#x661b49e] -訓練データは、今までのものと同じで、LSTMに対応した形で作成していく。 -ラベルデータは、役職の構成を番号に直したもの --「村人、村人、占い師、狂人、人狼」の順だったら0みたいなかんじ --全部で60通りの組み合わせがあるため、ラベル番号は0~59 #ref(nakahara2019-20191231/1.png,40%); ---こんなかんじの組み合わせ **学習結果 [#b5e765f1] -Test loss:0.42088870953854396 -Test accuracy:0.840223958505628 --テストデータに対する精度 **サンプルデータに対する精度 [#s27b4ace] ***役職ランダムの10000試合で検証 [#u01ff26a] |~エージェント|~村人|~占い師|~狂人|~人狼|~総合| |全体推定のやつ|61.8|43.1|50.8|47.0|52.9| |WSPのやつ|60.3|41.4|54.5|44.1|52.1| |ランダム選択のやつ|54.5|43.4|53.0|43.9|49.8| -狂人はWSPの方が4%くらい高い -個別で推定したものよりも、0.8%高くなった。 --理由はいまいちわかってない --偶然の可能性もある(10000試合だけど) ***推定精度 [#pcf0e077] -全体推定のやつ #ref(nakahara2019-20191231/推定.png,40%); -WSPのやつ #ref(nakahara2019-20191231/推定2.png,40%); **考察 [#w2e420f6] -推定精度は人狼推定以外はWSPの方がいい? --だけど、勝率は今回の方が高いのはなぜや! [[seminar-personal/nakahara2019]]