原作者: Saurabh Charde
原文链接: https://medium.com/ai-enigma/predicting-pokemon-battle-winner-using-machine-learning-d1ed055ac50

在本文中，我们将使用机器学习来预测宝可梦战斗的胜利者。这是一件令人兴奋的事情，因为我们可以借此预测我们从未见过的战斗的结果。如果您想继续深入了解，可以查看此包含代码的链接(Jupyter notebook)。然后你就可以将这些展示给你的朋友，预测宝可梦的战斗结果使你成为一个专业的宝可梦训练大师！

介绍

大多数人都很熟悉宝可梦系列，它在我们的童年中扮演了不可或缺的角色。最近，Pokemon Go游戏又一次掀起了我们对Pokemon的狂热。现在我们面临着一个问题: 考虑到每一个宝可梦的一些特征，比如它的攻击、防御或速度值等，我们需要预测一场从未发生过的随机宝可梦大战的胜利者。这听起来很有趣！！

接下来在开始之前让我们先熟悉一下背景。

机器学习

预测胜利者的困难在于我们只知道少数的宝可梦，而事实上，目前世界上大约存有800多种宝可梦。因此为了预测战斗的胜利者，我们需要研究所有的800多种宝可梦，观察他们的动作，特殊攻击，比赛等。简而言之，需要考虑的数据十分巨大，因此我们将需要花上几天时间来获得足够的知识，以正确预测一场战斗的胜利者。

这就是机器学习的用处之所在。当你有很多数据，你需要做一些预测（预测今天的天气，根据症状预测疾病等），我们便可以使用机器学习（这非常简单！）。

让我们来看一看数据集

数据集是关于特定主题（这里是Pokemon）的大量数据的集合。这个数据集为我们提供了诸如生命点、攻击、特殊防御和是否为传说宝可梦（1与0）等信息。该图显示了前5个宝可梦的数据，但数据集中总共有800个宝可梦（意味着有800行数据）。

现在已经看到了数据集，准备对其应用一些机器学习。

如何应用机器学习

构建完整的ML模型包括三个步骤：

1. 建立分类器
2. 训练分类器
3. 测试分类器

建立分类器

注意：分类器用于将数据分类或分离为类。例如给一张图片，把它归类为狗或猫。

为了从数据中学习，我们需要使用一些ML模型（分类器），这些模型通常是在给定的数据中发现模式的算法，以帮助它们进行预测（混淆？继续读下去）。

对于这个任务，我们将使用一个随机森林(Random Forest)分类器，这是一个更好的决策树分类器的实现。

进一步了解

决策树

假设我们的目标是根据动物的类型、身高、体重或速度等特征来预测动物。使用决策树可以很容易地对这个任务进行建模，如上图所示。因此，在决策树的每个点上，我们提出一个问题，并根据答案将树进一步划分为子树。该过程一直重复直到我们确定至某一只动物。因此，给定一个数据集，决策树分类器将在每个点上提出正确的问题（增加信息增益），以便以增加每个预测的可信度（提高结果的纯度）的方式划分树。

时间复杂度=O（深度）

随机森林

由于森林是树的集合，因此随机森林分类器使用多个决策树，最后将每个决策树的结果组合起来预测其最终结果。我们可以把从多棵树学到的东西组合成一棵树。与使用单一决策树相比，该方法具有更好的效果。

最后，我们建立一个随机森林分类器如下。n_estimators给出了用于生成森林的决策树的数目（这里使用了100）。

训练分类器

重申这项任务，两个宝可梦各个的功能（速度，攻击等）以及谁将获胜。

然后我们计算分类器的准确度，结果是95%（意味着我们的分类器将预测100个匹配中95个匹配的正确结果），这是一个非常好的开始。

到目前为止，我们已经完成了从构建分类器到训练分类器所需的所有步骤，现在我们已经准备好在一些实际的东西上测试它。

测试分类器

时间终于到了，让我们随机给分类器一些宝可梦进行匹配，让它为我们预测谁会赢。我们已将所有这些随机匹配项存储在另一个名为test_data的数据集中。如下图所示：

这两个栏目对应的是即将参赛的宝可梦。我们正在将这两个宝可梦输入分类器，它将返回最有可能的胜利者为那场战斗。记住，分类器不仅仅是随机预测赢家。事实上，它正在仔细分析几个参数，以便做出正确的决定

准备好看赢家了

现在你认为谁应该在大岩蛇和波波中获胜？。

让我们通过机器学习模型来进行预测。

赢家看起来很明显。现在让我们给它一些棘手的问题。

魔墙人偶和可达鸭呢?

事实上，这些匹配从未出现在口袋妖怪系列之前，但我们预测也会给出结果。
谁会赢呢？
如果你仔细研究的话，就会发现魔墙人偶能赢得这场战斗。

结语

在此我们已经看到了一个非常基本的问题，这个问题可以用ML来解决。本文中介绍的概念构成了大多数ML方法的基础。我试着用最简单的方式来解释这些概念，这样每个人都能公平地理解ML是如何工作的，并且可以在现实世界中使用。