雷鋒網(wǎng) AI 科技評論按：本文作者朝陽，原文載于集智專欄，雷鋒網(wǎng) AI 科技評論獲其授權(quán)發(fā)布。

機(jī)器學(xué)習(xí)不只是書本和文檔中的枯燥理論，事實上，機(jī)器學(xué)習(xí)方法已經(jīng)可以應(yīng)用在我們?nèi)粘Ｉ畹暮芏鄨鼍爸校踔潦俏覀冊谕嬗螒虻臅r候，機(jī)器學(xué)習(xí)也能幫我們一起哈啤。

比如在玩Dota2的時候，大家除了經(jīng)常抱怨服務(wù)器問題，另外一個頻繁出現(xiàn)的問題就是：「臥槽這么多英雄我該玩什么才好，隨機(jī)吧又怕隨出個不會玩的，選個大哥吧又怕背鍋。。?？炜炜扉_始掉錢了，選什么選什么。。。算了還是隨機(jī)吧～～～臥槽米波?。?！」

玩米波需要超高的手速和手感，因此不是所有玩家都能玩米波

選英雄絕對是一個難題，對于職業(yè)選手而言更是如此，賽前BP時如果出現(xiàn)問題將會直接導(dǎo)致比賽失去懸念，那么冥冥之中有沒有什么東西能在我們選英雄的時候幫我們提高勝率呢？當(dāng)然有，機(jī)器學(xué)習(xí)就可以幫我們選出一手好英雄。

好的BP對于職業(yè)比賽而言非常重要

Reddit上面的網(wǎng)友Andrei Apostoae剛剛發(fā)布了一個很有意思的機(jī)器學(xué)習(xí)項目（網(wǎng)站地址見文末），叫做Dota2 Predictor。這個項目就是使用機(jī)器學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)以及邏輯回歸方法，通過分析50萬場Dota2比賽來幫助大家選擇比賽中的最后一個英雄，以及針對對戰(zhàn)雙方的英雄陣容來預(yù)測比賽勝率。這個使用Python編寫的程序同時提供了GUI界面，其界面如下：

如上圖所示，在輸入完9個已選英雄然后再輸入平均天梯分之后，就可以讓程序為你推薦一些最能帶隊伍走向勝利的英雄來供你選擇。

根據(jù)作者的說法，該算法的最終預(yù)測可靠性可以達(dá)到0.63的ROC AUC評分——確實不是很高，但已經(jīng)非常不錯了，要知道影響一場比賽的可不僅僅是陣容，選手的狀態(tài)、發(fā)揮以及一些偶然因素會更加關(guān)鍵。而如果僅憑陣容就能占得一絲先機(jī)，對于隊伍而言已經(jīng)是再好不過了。

該程序使用Python 2.7編寫，程序內(nèi)同時提供了比賽數(shù)據(jù)下載和模型訓(xùn)練的接口，以便大家自行使用最新版本的比賽結(jié)果來進(jìn)行預(yù)測。程序默認(rèn)提供了50萬場比賽的訓(xùn)練結(jié)果模型，而且為了提升精準(zhǔn)度，算法考慮到了用戶的天梯分（MMR）對于比賽結(jié)果的影響。當(dāng)然，通過這個程序我們也可以輕松得到當(dāng)前版本下各個英雄的平均勝率比較。

這個工具一個最大的作用就是可以通過陣容來預(yù)測每一方的勝率，我們這里不妨使用之前的比賽來測試一下。我們選取了TI7預(yù)選賽中LGD對陣VG的一場比賽，其對戰(zhàn)陣容是這樣的：

我們將所有英雄輸入預(yù)測程序，然后點擊預(yù)測按鈕，程序給出了如下的反饋：

（職業(yè)選手的天梯分一般都會高于6000，有些選手因為擅長打天梯所以分?jǐn)?shù)會特別高，但不具有普遍參考性）

根據(jù)程序的預(yù)測，夜魘方（Dire）有56.12%的概率獲勝——這個勝率并不是非常高，意味著雙方的陣容基本勢均力敵，夜魘方只是略占優(yōu)勢。

那么真實的比賽結(jié)果呢？其實是LGD的天輝方獲得了最后的勝利，程序預(yù)測失敗了——但是，讓我們不妨來看一下比賽的進(jìn)程：

從經(jīng)濟(jì)曲線中我們看出，夜魘方其實在中期具有很大優(yōu)勢，直到55分鐘才突然崩盤，這可能源于一次失誤，但是我們已經(jīng)可以知道，陣容上的部分優(yōu)勢已經(jīng)幫助夜魘方在中期建立了較大優(yōu)勢，只是后期的發(fā)揮影響了比賽結(jié)果。程序的預(yù)測雖然是錯誤的，但并不是毫無意義的，夜魘方的英雄搭配仍然值得推薦??！

我們再來換一場比賽看看，我們選取了一場TI7預(yù)選賽南美賽區(qū)的比賽（有點菜雞互啄的味道）。我們直接上程序的預(yù)測結(jié)果：

我的天夜魘勝率這么高，那這天輝方還打個毛——事實上比賽結(jié)果也確實是這樣，天輝被從頭虐到尾，輸?shù)恼也坏奖薄?br/>

但是這個程序還有另外一個用途，就是可以幫助我們找出導(dǎo)致隊伍勝率這么低的罪魁禍?zhǔn)住簿褪钦胰吮冲?。在上面的比賽中，如果我們把沙王換掉，比如說換做大屁股試試看。

我們可以看到把沙王換掉之后的結(jié)果發(fā)生了巨大的變化，天輝方變成了有優(yōu)勢的一方，這說明程序認(rèn)為沙王這一手選的非常失敗，而真實比賽的結(jié)果呢？讓我們來看一看：

事實確實如此，沙王KDA僅有1，死亡次數(shù)達(dá)到10次實在是慘不忍睹。

當(dāng)然，程序也僅僅是程序，并不具備未卜先知的能力，所作出的預(yù)測也僅僅具有參考意義。經(jīng)過多次嘗試之后，我們會發(fā)現(xiàn)程序的某計算過程很容易陷入局部最優(yōu)，比如僅僅因為宙斯（zeus）的總體勝率很高，程序就會頻繁向玩家推薦使用宙斯這個英雄；又因為某些英雄（比如小精靈）的登場概率很低，程序就會對這些英雄的勝率做出錯誤的估計。

另外一點，由于訓(xùn)練過程所分析的數(shù)據(jù)維度有限，某些陣容分析也會與大家的直覺相悖。比如說該程序在某一方已經(jīng)擁有四個Carry的時候仍然會向玩家推薦幽鬼這個英雄。對于這一問題，作者解釋說因為程序并未分析陣容的位次而僅僅是分析過往比賽中英雄之間的相互影響狀況，所以導(dǎo)致最終推薦結(jié)果可能仍然無法貼近現(xiàn)實的比賽結(jié)果。也就是說，這個項目中用到的算法仍然有著很大的進(jìn)步空間，愿意研究的同學(xué)可以前往 https://github.com/andreiapostoae/dota2-predictor 下載源碼并進(jìn)行調(diào)試。

PS. 我站之前也做過類似的實驗項目，不過當(dāng)時的研究重點是集中于某個英雄本身而不是比賽總體的陣容搭配，有興趣的讀者可以前往 https://jizhi.im/blog/post/dota2dom 一探究竟。

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。