在本文中，我們將使用機器學習來預測口袋妖怪大戰的勝利者。這將是令人興奮的，因為我們將預測我們從未見過的戰鬥的結果。如果您想繼續，那麼包含代碼的Jupyter notebook的鏈接就在這裡https://github.com/saurabhcharde/Pokemon_Battle_Winner_Prediction_using_ML。最後，你可以自由地展示給你的朋友，並通過預測口袋妖怪戰鬥結果成為一個神奇的口袋妖怪“巫師”！
介紹
我們都很熟悉流行的口袋妖怪系列，它成了我們的童年中愉快的一部分。最近，Pokemon Go遊戲又掀起了一波Pokemon的狂熱。現在我們面臨的問題是，考慮到每一個口袋妖怪的一些特徵，比如它的攻擊、防禦或速度值等，我們需要預測一場從未發生過的隨機口袋妖怪大戰的勝利者。聽起來很有趣！！
但在開始之前讓我們先熟悉一下背景。
機器學習
預測勝利者的困難在於，我們只知道少數的口袋妖怪，但事實上，目前世界上大約有800種口袋妖怪。現在為了預測一場戰鬥的勝利者，我們需要研究所有的800個口袋妖怪，觀察他們的動作，他們的特殊攻擊，他們的比賽等。簡而言之，有很多事情（數據）要考慮，因此將需要我們幾天來獲得足夠的知識，以正確預測一場戰鬥的勝利者。
這就是機器學習變得有用的地方。當你有很多數據，你需要做一些預測（預測今天的天氣，根據症狀預測疾病等），我們使用機器學習（非常簡單！）。
讓我們來看一看數據集
數據集的前5行
數據集是關於特定主題（這裡是Pokemon）的大量數據的集合。這個數據集為我們提供了諸如生命點、攻擊、特殊防禦和神奇寶貝傳奇（1）與否（0）等信息。該圖顯示了前5個Pokemon的數據，但數據集中總共有800個Pokemon（意味著800行）。
現在已經看到了數據集，準備對其應用一些機器學習。
如何應用機器學習
構建完整的ML模型包括三個步驟：
- 建立分類器
- 訓練分類器
- 測試分類器
建立分類器
注意：分類器用於將數據分類或分離為類。給一張圖片，把它歸類為狗或貓。
為了從數據中學習，我們需要使用一些ML模型（分類器），這些模型通常是在給定的數據中發現模式的算法，以幫助它們進行預測（不明白？繼續讀下去）。
對於這個任務，我們將使用一個隨機森林(Random Forest)分類器，這是一個更好的決策樹分類器的實現。
瞭解他們
決策樹
一種簡單的動物分類決策樹
假設我們的任務是根據動物的類型、身高、體重或速度等特徵來預測動物。使用決策樹可以很容易地對這個任務進行建模，如圖所示。因此，在決策樹的每個點上，我們提出一個問題，並根據答案將樹進一步劃分為子樹。這個過程一直重複，直到我們預測一隻動物。因此，給定一個數據集，決策樹分類器將在每個點上提出正確的問題（增加信息增益），以便以增加每個預測的可信度（提高結果的純度）的方式劃分樹。
時間複雜度=O（深度）
隨機森林
一個簡單的隨機森林可視化
由於森林是樹的集合，因此隨機森林分類器使用多個決策樹，最後將每個決策樹的結果組合起來預測其最終結果。我們可以把從多棵樹學到的東西組合成一棵樹。與使用單一決策樹相比，該方法具有更好的效果。
有100決策樹的森林
最後，我們建立一個隨機森林分類器如下。n_estimators給出了用於生成森林的決策樹的數目（這裡使用了100）。
訓練分類器
重申這項任務，兩個口袋妖怪的一套功能（速度，攻擊等）誰將獲勝。
分類器的訓練與預測精度
我們在Pokemon的數據集上訓練（或擬合）分類器（即x_train），並最小化訓練集上預測值和實際值（y_train）之間的損失。這裡的訓練意味著找到數據集中不同特徵之間的關係來進行預測。
然後我們計算我們的分類器的準確度，結果是95%（意味著我們的分類器將預測100個匹配中95個匹配的正確結果），這是一個非常好的準確度開始。
到目前為止，我們已經完成了從構建分類器到訓練分類器所需的所有步驟，現在我們已經準備好在一些實際的東西上測試它。
測試分類器
時間終於到了，讓我們隨機給分類器一些口袋妖怪匹配，讓它為我們預測誰會贏。我們已將所有這些隨機匹配項存儲在另一個名為test_data的數據集中。
看起來是這樣的：
具有樣本匹配的測試數據集
這兩個欄目對應的是即將參賽的口袋妖怪。我們正在將這兩個口袋妖怪輸入分類器，它將返回最有可能的勝利者為那場戰鬥。記住，分類器不僅僅是隨機預測贏家。事實上，它正在仔細分析幾個參數，以便做出正確的決定
準備好看贏家了！
現在你認為誰應該在大巖蛇和波波中獲勝？。
讓我們用機器學習模型來預測它。
贏家看起來很明顯。現在讓我們給它一些棘手的問題。
那麼魔牆人偶和可達鴨呢?
事實上，這些匹配從未出現在口袋妖怪系列之前，我們預測會有結果（感覺很好！）。 那麼誰會贏呢？
閱讀更多 黑胡桃實驗室 的文章
