presentacion intermedia

IA en el Póker OnlinePresentación Media

Raúl Martínez FernándezAntonio Díaz PonceJavier García-Cuerva Velasco

La Inteligencia Artificial en las Organizaciones 2009-2010

Índice

• Obtención de datos

• Estudio de los datos

• Procesado de los datos• Procesado de los datos

• Técnicas de selección de atributos (Weka)

• Clasificadores probados (Weka)


Obtención de los datos

• No queríamos pagar por los datos, así que:

• Petición en Blogs

• Contactando con los responsables de 3 webs

Dificultades

webs

• Foro

• Críticas: trampas, bots,…

• Rechazo: la gente paga por esas manos

• Escepticismo: no lo conseguiríamos


Obtención de los datosFuente de los datos

Sitios Póker Online

101Ficheros xml

BBDD

100.000 manos de Texas Hold’em NLLa Inteligencia Artificial en las Organizaciones 2009-2010

Jugadores Profesionales

Estudio de los datos

Analizamos las manos de los fichero xml

Sólo se mostraban las manos si llegaban al showdown

Pensamos en cambiar de objetivo: clústering del tipo de

Análisis de los ficheros xml

Pensamos en cambiar de objetivo: clústering del tipo de jugadores

Gran dificultad añadida: atributos no triviales (postgreSQL)

En showdwn suele haber 2 jugadores (o más)

Doble de manos

Finalmente tenemos 10710 manos


Procesado de los datos

• Programa en Java:

• Leer todos los ficheros

• Extraer los patrones

Extracción de información

• Extraer los patrones

• Extraer los atributos

• Clases a utilizar


• CiegaPequena

• CiegaGrande

• Hora

• Minuto

• JugadoresTotales

Procesado de los datosExtracción de atributos

• PosicionJugador2• FichasJugador2• PosicionJugador1• FichasJugador1• PaloCarta1

•Números Reales

• Añadir atributo para indicar la posición del • JugadoresTotales

• PosicionJugador6

• FichasJugador6


• FichasJugador5


• FichasJugador4


• FichasJugador3


• ValorCarta1• PaloCarta2• ValorCarta2• Suited• ValorSubida1• ValorSubida2• ValorSubida3• ValorSubida4• ValorSubida5

indicar la posición del jugador al que

pertenece el patrón?

Procesado de los datos

• Clases a utilizar:

• 4 clases {0,1,2,3} � Valores Continuos (Clasificación)

• 0: Apuesta de $0 � 1048 patrones

• 1: Apuesta entre $0 y $2.5 � 3866 patrones

Extracción de clases

• 1: Apuesta entre $0 y $2.5 � 3866 patrones

• 2: Apuesta entre $2.5 y $5 � 4193 patrones

• 3: Apuesta superior a $5 � 1596 patrones

Patrones.arff


Procesado de los datosValores de los atributos para nuestros datos

Ciega Pequeña

Ciega Grande Hora Minuto

Nº Jugadores

Jugador 6ª posición

Stack 6º Jugador …

0.5 1.0 0.0 32.0 6.0 6.0 1.0E7 …0.5 1.0 23.0 1.0 6.0 6.0 1.0E7 …0.5 1.0 23.0 1.0 6.0 6.0 1.0E7 …


Palo Carta

Valor Carta

Palo Carta

Valor Carta Suited

Subida nº 1

Subida nº 2

Subida nº 3

Subida nº 4

Subida nº 5 Accion

1.0 13.0 2.0 10.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0

2.0 1.0 4.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0

2.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 3.0

Técnicas de selección de atributos

Evaluador de atributos: CfsSubsetEval

Método de búsqueda: BestFirst

• ValorCarta1

• ValorCarta2

• ValorSubida1

WekaEvaluador de atributos: ChiSquared

Método de búsqueda: Ranker

• ValorSubida1

• ValorSubida2

• ValorSubida3

• ValorCarta2• ValorSubida1

• ValorSubida2

• ValorSubida3

• ValorSubida4

• ValorSubida5


• ValorCarta2

• ValorCarta1

• ValorSubida4

• ValorSubida5

• Suited

• JugadoresTotales

• FichasJugador6


• FichasJugador5


• FichasJugador4


•Pocas Pruebas•Seleccionaremos otros estadísticos

Clasificadores probadosWeka

Multilayer

Perceptron Capas Ocultas Porcentaje AciertosPorcentaje de Fallos

Error cuadrático

1 43.6975 % 56.3025 % 98.2544 %

2 45.4093 % 54.5907 % 97.7409 %

70% de Train y 30% de Test


2 45.4093 % 54.5907 % 97.7409 %3 46.0317 % 53.9683 % 96.7809 %

•Pocas Pruebas•Batería de Pruebas (Experimenter)•Validación Cruzada•Selección de Atributos•Nuevos Atributos

J48 47.8369 % 52.1631 % 110.109 %

PREGUNTAS?


presentacion intermedia

Documents