朴素贝叶斯与神经网络

Question

我仍然是人工智能编程的新手，所以如果这是一个过于简单化的话，请跟我说。我正在尝试构建一个非常直接的机器人，它可以对抗其他机器人（并且必须获胜）使用石头剪刀。

我选择的功能是我自己和对手之前的动作（我为每个创建了3个节点，其中有一个真/假，所以前一个动作有6个节点）以及我是否赢了上一轮。这使得总共有7个功能作为输入。 ＆lt; ---如果我正确设置了我的功能，请告诉我

现在我注意到的这7个特征可以相互关联，这样可以组合上一轮的移动和赢/输以创建另一个特征（例如，我丢失+对手使用摇滚=对手再次使用摇滚）。您认为哪种人工智能技术可以捕捉到最佳效果？神经网络或朴素贝叶斯......甚至是另一个？

非常感谢您的时间，这真让我感到难过。

Answer 1

Naive Bayes的天真之处在于它假定特征是独立的。也就是说，它没有看到“我输了，对手用了摇滚”;相反，它看到“我输了”，也看到“对手用过的岩石”。 “我输了”对自己知道没有用，而“对手用摇滚”也不是。所以朴素贝叶斯不会给你很好的结果。

NN可能会更好一点，但我认为决策树可能是你最好的选择。作为奖励，您将学习决策树，这是一种比NN更有用的AI技术。

Answer 2

我认为NN非常适合这个问题，实际上。但是我认为你肯定需要更多的投入以获得体面的比赛：你需要至少模拟一些比赛（即“我参与/他们比赛”，不仅仅是一轮比赛，而是过去的n轮比赛。 ，至少n，我不知道，3或4）。

你可以争论是否需要一个“我赢了一轮”的输入：一方面，胜利是从剧中出现的，所以你并不是严格需要它，但是“我玩了x并且丢失，所以下次我会玩y或z“是一个可行的模式，如果你做模型获胜/丢失会更容易接受。

这里的前提是有一个可以检测到的模式序列（不仅仅是对手比R更频繁地发挥P的统计偏差，但如果他们玩*PR*S他们经常玩P。这让我觉得这是一个合理的假设，这是你应该能够通过NN获得的那种模式。