AI根据统计数据和排名预测PUBG玩家的位置
像PlayerUnknown的Battlegrounds(通常缩写为“PUBG”)和Epic Games的Fortnite共同拥有数亿玩家的战斗royale游戏是有原因的:它们令人兴奋。数十名玩家角色在不可预测的地方同时产生,随着游戏地图的大小逐渐缩小,他们将战斗归结为死亡。这个名单最终被削减为一名球员,他赢得了冠军。
作为惊喜元素的乐趣可能是,匹配可能不像它们看起来那么动态。这是佐治亚大学计算机科学系研究人员的主张,他们测试了几种人工智能算法来预测PUBG中最终玩家在游戏统计数据和初始排名中的位置。
特别是在本文中,我们试图预测玩家在最终生存测试中的[排名],”该项目的贡献者在Arxiv.org上发布的预印纸(“玩具未知的BattleGrounds中最适合生存”)中写道。“我们已经应用了多种机器学习模型来找到最佳预测。”
正如共同作者所解释的那样,每个PUBG游戏都是从玩家从飞机上跳伞到四个包含程序生成的武器,车辆,装甲和其他装备的地图之一开始的。为了训练他们的AI模型,该团队采购了由Google拥有的在线机器学习社区Kaggle记录和编辑的遥测数据。总共有450万个独立,二重奏和小队战斗实例,其中有29个属性,研究人员以28个属性减少到190万。
该团队指出,大多数球员都没有获得任何杀戮,并且只有一小部分球员能够通过和平战略获胜。事实上,在语料库中有0.3748%的玩家获得了无杀戮,其中0.1059%的玩家在没有杀戮而没有造成伤害的情况下获胜。他们还观察到积极遍历地图的玩家 - 即走路更多 - 增加了他们获胜的机会;在采取一个步骤之前,样本集中的2.0329%的玩家死亡;对于那些喜欢单人或成对战斗的较少杀人的玩家,与参加小队的玩家相比,获胜的机会更高。
该团队在样本上设置了四种机器学习算法:Light Gradient Boosting Machine,Random Forest,Multilayer Perceptron和M5P。在实验中,这些实现了平均绝对误差(预测组中误差的平均值的量度)分别为0.02047,0.065,0.0592和0.0634,其中光梯度增强机在精度方面名列前茅。(平均绝对误差越小,模型的预测越准确。)
他们留给未来的工作更多回归模型,可能“扩展预测的稳健性和精确性”。
研究人员写道:“从这项研究中可以得出结论,机器学习技术......可用于预测PUBG等游戏中的'适者生存'。”“通过高相关性降低特征已被证明是一种有效的性能改进技术,尽管它可能并不适用于所有场景。”