#author("2020-01-01T10:15:21+00:00","","")
#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%);

**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]]



トップ   新規 一覧 検索 最終更新   ヘルプ   最終更新のRSS