- 追加された行はこの色です。
- 削除された行はこの色です。
#author("2019-12-31T14:10:22+00:00","default:f-lab","f-lab")
#author("2020-01-08T01:52:45+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%);
[[seminar-personal/nakahara2019]]