BetaMeow----利用机器学习做五子棋AI

BetaMeow的起源

前段时间AlphaGo和李世石广受关注，作为人工智能的脑残粉，看完比赛后激动不已，因为有一定的机器学习的基础，便打算撸一个棋类的AI，但我还算有点自知之明，围棋AI，甚至google打算做得通用AI是做不出的了，所以打算撸一个五子棋的AI。

选取五子棋作为试手项目主要是以下几点原因：

• 规则简单。为了简单起见，BetaMeow只要有一方练成五子就可以判输赢。

• 受众多。因为五子棋的规则相对简单，使得其受众远比围棋多，换句话来说，我把BetaMeow做出来了，那么可以测试的人也多。

机器学习的简单介绍

近年机器学习，数据挖掘,人工智能很火，但其实不少人对这些名词其实是一头雾水，我尝试用我自己的语言解释，如果有什么需要完善的地方，欢迎提出。

比如说，有一个模型能够能够根据一个人的社交动态，推断出他是喜欢苹果还是香蕉，那么，我现在想知道某个社交平台上市喜欢苹果的人多，还是喜欢香蕉的人多。显然，我把社交平台的数据扔进模型中跑一遍就可以了，但社交平台数据肯定不是说一两个txt文件这么简单啊。这时就可能涉及网络爬虫(收集数据)，分布式存储(数据量巨大的时候)，过滤无关的数据(数据清洗),修改模型使得符合当前业务场景(花式调参)，跑完数据获得结果后决定采取什么商业措施等。(BI)

机器学习就是负责考虑如何建立模型，而数据挖掘则是负责其他地方，不过一般来说，数据挖掘部分的工作可能会分开几个部门来做。

简言之，机器学习是内功，而数据挖掘则是机器学习的一种用途。而人工智能，就是更广的概念了

五子棋AI

回到正题上，传统的五子棋AI采用的搜索算法，这个方面其实已经很完善，听闻已经出现了无解的结果(玩家无法取胜)。但BetaMeow本质上是我在学习机器学习方面的实战项目，所以我想办法利用机器学习的方面的算法实现。

最后选择决策树算法。通过决策树判断该局的状况，属于对方（玩家）占优还是己方（AI）占优。

什么叫决策树

至于什么叫决策树，有时真的是一图胜千言。

图片来至于http://www.52analysis.com/shujuwajue/2441.html

简单来说，通过一层层的筛选下来，你就能获得相应的结果。

如何构建决策树

关于如何构建决策树，如果需要了解文字说明，可以参考这里,如果需要参考python的代码实现，可以参考下文给出的github地址，这里只给出简单总结。

简单描述

在一个二维集合（可以看成矩阵）中，第二维代表每一个决策的实例，用某种方式（例如信息增益（首先要计算熵））在确定一个最佳分割点（p），然后以该点作为根节点，此时剩下的子集有两种情况，要么作为决策树的结果，要么递归下去创建子树。

选取特征

有句话叫好的数据胜过好的模型，经过这番实践我算是真正认识到这句话的意思。机器学习的算法不是你随便扔一个数据集下去，他都能训练出一个有效的模型。我曾经把整个棋局扔给他它训练，然而并没有什么乱用。几番周折才角色以连子形式作为训练的内容。

举个例子

[1,1,0,1,2]

这个训练集表明，玩家的连子形式已经是1，1，0，1（0表示空位），如果玩家顺利连成了4子，那么AI则彻底出于劣势，因为如果4子是在棋盘中间的话，那么ai只能堵一边，玩家还是可以在另一边连成5子。

所以ai应该下在2号位，阻止其连成4子。

我的代码中有大量如此的数据，用于教会ai决定是及时阻止对方，还是提高自己的连子数。(跑两次不同的决策树)

BetaMeow的未来与本文后话

BetaMeow现在显然是不完善的。

• 首先是五子棋规则的本身，首先是五子棋棋盘应该15x15，然后无知的我把它弄成了19x19,然后规先后手的规则好像也有不同的规定，但我没有考虑太多这方面，毕竟我的主要目的是机器学习的实践，并非做出一个五子棋游戏。五子棋只是一个载体。
  同样是因为我的目的在于算法，所以界面不太美观，甚至在不同分辨率上可能有问题(使用的bootstrap应该问题不大)，所以如果有较为熟悉前端的朋友，欢迎修改修改后Pull Requese给我。

• 第二点，算法本身也有不完善的地方。
  因为目前的方案是遍历棋局，分析各店的形式，可能因为循环的原因，会导致后面的选择覆盖掉前一个选择，从而错过了一些最好的选择。

下一步会是给每一个选择的结果加上权重，从而避免上述问题。

嗯，说了这么多，最后给出这个项目的github地址

my_github

重要的事情再说一遍。

前端真的做得很烂，如果有熟悉前端的朋友帮我修改一下，真的万分感谢。

这个github地址会记录下我学习机器学习和数据挖掘的各种小项目(包括我之前的图片识别的项目)，将会持续更新很长一段时间，如果你对这个有兴趣，欢迎关注和支持。

如果你也有机器学习和数据挖掘等相关的项目，欢迎推荐给我，大家互相学习的同时，我也会在我的项目的README中给出你项目的URL(你也要给出我项目的URL哦，亲)

感谢关注和支持。