Algorithm 人工智能/推理问题

比如说，我有20名球员参加了一场比赛。比赛规则规定每名球员与其他球员比赛两次[A对B，B对A，A对C..等]。有20名球员，总共有380场比赛

在每场比赛中，有三种可能的结果-玩家1胜、玩家2胜或平局。有一个博彩交易所，在每场比赛之前，会引用每一个结果发生的概率；所以你可能有40%的玩家1赢，30%的玩家2赢，30%的平局[概率总和为100%]；我在每次比赛前都会存储这些概率

快进四分之一的方式通过比赛。我已经收集了95场比赛的概率，还有285场。我想知道的是-

95场比赛的概率数据能否用于预测其余285场比赛的概率

例如，如果我知道A对B和B对C，我可以用它们来推断A对C吗

---

如果是这样，我该怎么做呢？

让我把你介绍给我的好朋友贝斯

编辑：第1部分）Bayes仅适用于非独立试验。如果赢得一场比赛会增加你赢得下一场比赛的可能性，你可以继续！否则，这根本没有什么帮助

编辑：第2部分）无论如何，基础是以下Bayes公式

P(A|B) = P(B|A) P(A)
         -----------
             P(B)

也就是说，“给定B的概率等于给定A的概率乘以A的概率乘以B的概率”。为了说明这一点，通常会给出三门问题的汽车销售员

你有三扇门，一扇门后面 有一辆崭新的汽车。其他的 两扇门之间什么都没有。 然后主人让你选一扇门。 记住，有门‘A’、‘B’和‘B’ “C”。因此，你有一个1/3 正确的概率

作为一个慷慨的人，主人打开了门 另一扇门。他现在给 你可以选择坚持 同一扇门还是打开另一扇门 门

我意识到在Stackoverflow回复中解释这一点需要花费很长时间，所以我只是在谷歌上搜索了一下。这就是Monty Hall的问题：。对于Bayes部分

---

编辑：第3部分）如果您认为这种方法可行，您可能需要查找“贝叶斯网络”（但在更宏大的方案上）

您可能能够对大多数游戏做出一些半体面的预测。例如，如果你有棋手A、B和C，其中A击败B和B击败C，A可能也会击败C。然而，在某些情况下，这根本行不通。举一个简单的反例，如果这是一场石头剪刀比赛，a总是挑石头，B挑剪刀，C挑布，显然你不会得到相同类型的关联

---

如果你有能力，你最好用一个小的子集来测试，如果你能找到一些，也许可以使用一些预先存在的数据。阅读1/4的案例，根据这些案例进行预测，看看预测的效果如何。

根据比赛情况，你可能能够预测比赛结果，也可能无法预测比赛结果。我相信你所看到的仍然是一个活跃的研究领域，但是有合理的解决方案。基本上，你希望你能对玩家进行排名，这样一个级别较高的玩家通常会击败一个级别较低的玩家。不同的模型对此做了一些调整，例如，获胜概率是排名差异的函数

---

一种方法是使用模拟退火找到这些秩。为游戏结果选择一些函数作为玩家等级的函数，并让给定等级分配的适合度为给定所选等级的观察结果的概率。根据模拟退火，以不同的等级重复

这是家庭作业问题吗？标记它，如果它是isI应该加上95个匹配的数据是从总共380个随机选择的a。我做作业有点老了。这不是一个家庭作业问题，但我想这可能是因为你能解释它将如何应用于这个特定的问题吗？页面上有很多例子，但前提是给定某些概率，你可以在特定条件下“推断”其他概率。这很模糊，但很有效。我会在评论中回复，但是请看编辑以了解更多信息。编辑1，如果他为每一场比赛而不是整个比赛建模，会怎么样？对，这正是我一直在想的。一个修正：我不是在预测比赛结果，我是在预测市场对结果的预期