Blackjack Neural Network

Fa via App Store Les dette innlegget i var app!

Kan et kunstig nevralt nettverk forutsi utfallet av sportsspill?

Jeg provde a finne noe originalt og morsomt a gjore med kunstige nevrale nettverk (ANNs) som et personlig / l ringsprosjekt, og jeg skjonner at det ville v re kult hvis jeg kunne forutsi resultatene av sportsspill (spesielt NHL-spill).

Jeg er ganske sikker pa at det ville v re lett a utvikle et ANN som kan forutsi hvilket lag som mest sannsynlig vil vinne (vanligvis laget med bedre rekord). Men det jeg vil gjerne er a lage et ANN som ville fortelle hvor sannsynlig utfallet er, ligner pa bookmaker odds.

Er dette noe ANN kan gjore? Bekreftende, hva slags suksess kan jeg forvente? Jeg vet at jeg ikke kan sla bookmakeren (i hvert fall ikke med en programvarelosning). Jeg vil gjore dette som et rekreasjonsprosjekt / utfordring til meg selv. Jeg forventer ikke a satse penger pa sports spill med dette prosjektet.

Vei tilbake i dagene til IBM XT spilte jeg med et shareware ANN-program for a prove a forbedre sjansene mine for de britiske fotballkampene. Dette er en form for spill hvor du prover a forutse hvilke fotballkamper som vil resultere i trekk. Jeg tildelte hvert lag et nummer og sa tilbake grundige, fortidige resultater, og fra dem genererte et enkeltsiffer for resultatet. Fra minnet var det 0 fra en hjemmeseier, 1 for en vinner og 2 i uavgjort. Hvert resultat gikk pa en enkelt linje i en treningsfil. Jeg ville da kjore treningsfilen gjennom programmet og generere ANN-innstillingene. Jeg vil da sla opp folgende lordags kamper og mate dem inn i ANN sa se etter kamper spadd som tegninger.

Som ukene gikk pa, ble mine forutsigelser om tegninger blitt mer og mer noyaktige. Derimot .

1) XT var sa sakte at i julen tok det 24 timer a generere ANN-innstillingene fra treningsdataene. Jeg hadde virkelig bedre ting a gjore med min dyrebare (og dyre) PC.

2) Selv om det var bedre a forutsi tegninger, var det ikke forutsi nok a faktisk vinne noen penger. Ser tilbake Jeg antar at programmet bare hadde utarbeidet at Manchester United alltid ville sla Sheffield United. Dette var mer fotball kunnskap enn jeg hadde, men ikke nok til a vinne noen penger.

3) A legge inn resultatene i treningsdataene og deretter generere de kommende kampdataene, tok meg aldre og for a v re rlig sport borer meg stiv.

Sa jeg ga opp og ble ikke million r.

I disse dager er PC-en mye raskere, og mye av treningsdataene kan skrapes fra nettet. Men jeg tviler fortsatt pa at det er en rute til en formue, men det er absolutt et interessant prosjekt.

Jeg vet at hvis bookmakere odds kunne bli slatt av en ANN, ville bookmakere allerede bruke en til a fikse oddsene sine.

Bookmakere angir ikke linjen basert pa deres analyse av lagene – de satte den pa grunnlag av deres analyse av budsperspektorens mening om lagene. En ideell linje for bookie er hvor han har akkurat det samme belopet pa hver side av linjen – da er han garantert en fortjeneste = ‘juice’en pa tapernes innsatser. De flytter linjen som spilltiln rminger for a prove a beholde den 50/50 splittelsen. Bookie kan tro at hjemmelaget -5 er noyaktig linje basert pa spillanalyse, men hvis han forventer at han trekker 2x $$ pa hjemmelaget, vil han ikke sette linjen pa -5 – han vil stille pa -7 eller -8 – til hvor han forventer a tegne likt $ for bade -5 og +5 spill.

ANNs er veldig gode pa monstermatching og prediksjon, sa ja, odds er at du kan bygge en ANN som gjor det du vil.

Du trenger mer enn bare lagvinst / tapforhold for a gjore det virkelig effektivt. Feed det statistikk for spillerne, ogsa. For real effektivitet, prov a inkludere spillflytinformasjon. som hvilke spillere er pa linjen for hvert spill (for fotball, for eksempel).

Til slutt kommer det storste problemet du kommer til a lope inn (bortsett fra hele «skriving av ANN» problemet) far de dataene du trenger for a mate den.

Jeg har gjort noen aksjemarkedsspadommer med en AI, og min konklusjon er at det ikke er veldig vanskelig a lage et AI som far gode resultater med de historiske dataene. A vinne vinnende transaksjoner i fremtiden er et annet ballspill.

Jeg har nettopp jobbet med dette problemet (forutsi engelsk Premier League-spill) de siste 10 dagene, og endte med sv rt like resultater ved hjelp av 3 forskjellige metoder: SVM, Logistic Regression, og NN.

LR og NN vil gi sannsynligheter. SVM utganger 0/1 (men det kan ogsa tweaked for probas (jeg har ikke provd enna).

Jeg trengte en «massiv» (minst min standard) funksjonen satt om (nesten 300) og en god del av data (13 ar verdt).

Re. data, jeg fikk det fra nettet, ganske enkelt.

Konklusjon: Jeg kan omtrent passe bookies med hensyn til noyaktighet (forutsi seire i mitt tilfelle). Hvis jeg legger til pre-match-oddsene til funksjonssettet, far jeg noyaktig samme noyaktighet som bookies (som forventet), men ikke bedre (sikkert betyr at mitt funksjonssett er oppsummert i bookies-oddsene, og de har litt ekstra kunnskap pa toppen).

Jeg er sikker pa at det finnes en mate a fa bedre noyaktighet pa, enten ved a forbedre algos, eller mer sannsynlig ved a ha ekstremt granul re data (som i hvilke spillere spiller hvilke spill, i hvor mange minutter og mye historisk statistikk pa spillerniva , for a bygge bunn-opp-modeller av lagets ytelse).

Men bunnlinjen er at jeg kan vitne om at NNs fungerer ganske bra for det formalet. SVM er litt bedre skjont, i min begrensede erfaring.

Jeg tror faktisk det handler om data, men det er ingen slutt pa hva du kan matte med for a v re mer noyaktig: a vinne / miste streker, spillere biorhythms, spillernes venninner stemning for kampen, sma / store skader de led i de siste fortid, ekstra sportslige hendelser som plager spillerne, etc, etc, etc.

Men jeg tror ikke du kan noyaktig forutsi hvilket lag som er mer sannsynlig a vinne, det ville bare v re en mer eller mindre utdannet gjetning.

Etter min mening og erfaring, pa grunn av det store antallet faktorer i spill, vil design og oppl ring ANN v re urimelig komplisert og tidkrevende. ANNs er gode pa monstermatching, og spillpresisjonen tar mye deduktive resonnementer i stedet for bare monster matching.

Men hvis du vil lytte til neurale nettverk, vil det v re et godt eventyr. Hvis du lykkes, vil du kanskje v re vert for koden din et sted for andre a se og l re!

For spillspadommer ville det v re mye enklere og raskere med beslutningstrener eller en reglermotor og sa videre. Dette blir heller ikke en lett oppgave, men det vil v re en annen interessant aktivitet.

Min tro er at uforutsigbarheten til et arrangement skyldes mangel pa informasjon og forstaelse. Hvis du har all kunnskap, sa ja det kan gjores. Eller jo mer kunnskap du har, desto bedre kan det gjores.

Sa i teorien er svaret ja.

Men i praksis kan du fa en PhD og ha en hel karriere som arbeider med dette sporsmalet, og du kan fortsatt ikke lykkes.


Hilsener! Ønsker du å spille i det største kasinoet? Vi forbereder det for deg. Prøv her nå!