Artificial intelligence 朴素贝叶斯与神经网络

我正在尝试构建一个非常简单的机器人，它可以和其他机器人玩石头剪刀（而且必须赢）

---

我选择的特征是我自己和对手之前的动作（我为每个动作创建了3个节点，每个节点有一个真/假，所以之前的动作有6个节点），以及我是否赢得了上一轮。这一共有7个特性作为输入 朴素贝叶斯的天真之处在于，它假定特性是独立的。也就是说，它没有看到“我输了，对手用了石头”；相反，它看到的是“我输了”，也看到的是“对手用过的石头”。“我输了”一词本身没有用处，而“对手用过的石头”也没有用处。所以天真的贝叶斯不会给你带来好的结果

---

NNs可能更适合，但我认为决策树可能是您在这里的最佳选择。作为奖励，您将学习决策树，这是一种比NNs更有用的人工智能技术。

朴素贝叶斯的天真之处在于它假设功能是独立的。也就是说，它没有看到“我输了，对手用了石头”；相反，它看到的是“我输了”，也看到的是“对手用过的石头”。“我输了”一词本身没有用处，而“对手用过的石头”也没有用处。所以天真的贝叶斯不会给你带来好的结果

---

NNs可能更适合，但我认为决策树可能是您在这里的最佳选择。作为奖励，您将了解决策树，这是一种比NNs更有用的人工智能技术。

事实上，我认为NNs非常适合解决这个问题。但我认为，你当然需要更多的投入才能有好的发挥：你需要至少模拟一些发挥（即，“我发挥了/他们发挥了”不仅是一轮，但在过去的

n

轮，其中

n

至少是，我不知道，3或4）

你可以争论你是否需要“我赢了这一轮”的输入：一方面，胜利是从游戏中涌现出来的，所以你不需要它，但是“我玩了

x

，输了，所以下次我将玩

y

或

z

”是一种可行的模式，如果你真的玩了赢/输了，它会更容易被发现

---

这里的前提是有一个可以检测到的模式序列（不仅仅是一个统计偏差，即对手玩

R

的频率比玩

p

的频率高，而且如果他们玩

*PR*S

他们通常玩

p

下一个）。我觉得这是一个合理的假设，这是一种你应该能够用神经网络来识别的模式

事实上，我认为NNs非常适合这个问题。但我认为，你当然需要更多的投入才能有好的发挥：你需要至少模拟一些发挥（即，“我发挥了/他们发挥了”不仅是一轮，但在过去的

n

轮，其中

n

至少是，我不知道，3或4）

你可以争论你是否需要“我赢了这一轮”的输入：一方面，胜利是从游戏中涌现出来的，所以你不需要它，但是“我玩了

x

，输了，所以下次我将玩

y

或

z

”是一种可行的模式，如果你真的玩了赢/输了，它会更容易被发现

---

这里的前提是有一个可以检测到的模式序列（不仅仅是一个统计偏差，即对手玩

R

的频率比玩

p

的频率高，而且如果他们玩

*PR*S

他们通常玩

p

下一个）。我觉得这是一个合理的假设，这是一种你应该能够用神经网络来识别的模式

“…哪种人工智能技术更有用…”

-这是有争议的。我知道。我只是争论了一下哇，谢谢你的快速回复。关于如何建立决策树有什么建议吗？为了让我开始学习，“…哪一种是更有用的人工智能技术…”-这是有争议的。我知道。我只是争论了一下哇，谢谢你的快速回复。关于如何建立决策树有什么建议吗？只是为了让我开始