在本文中，我们将使用机器学习来预测口袋妖怪大战的胜利者。这将是令人兴奋的，因为我们将预测我们从未见过的战斗的结果。如果您想继续，那么包含代码的Jupyter notebook的链接就在这里https://github.com/saurabhcharde/Pokemon_Battle_Winner_Prediction_using_ML。最后，你可以自由地展示给你的朋友，并通过预测口袋妖怪战斗结果成为一个神奇的口袋妖怪“巫师”！
介绍
我们都很熟悉流行的口袋妖怪系列，它成了我们的童年中愉快的一部分。最近，Pokemon Go游戏又掀起了一波Pokemon的狂热。现在我们面临的问题是，考虑到每一个口袋妖怪的一些特征，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口袋妖怪大战的胜利者。听起来很有趣！！
但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，我们只知道少数的口袋妖怪，但事实上，目前世界上大约有800种口袋妖怪。现在为了预测一场战斗的胜利者，我们需要研究所有的800个口袋妖怪，观察他们的动作，他们的特殊攻击，他们的比赛等。简而言之，有很多事情（数据）要考虑，因此将需要我们几天来获得足够的知识，以正确预测一场战斗的胜利者。
这就是机器学习变得有用的地方。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），我们使用机器学习（非常简单！）。
让我们来看一看数据集
数据集的前5行
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、特殊防御和神奇宝贝传奇（1）与否（0）等信息。该图显示了前5个Pokemon的数据，但数据集中总共有800个Pokemon（意味着800行）。
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：
- 建立分类器
- 训练分类器
- 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。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（不明白？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。
了解他们
决策树
一种简单的动物分类决策树
假设我们的任务是根据动物的类型、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。这个过程一直重复，直到我们预测一只动物。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
一个简单的随机森林可视化
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。
有100决策树的森林
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，两个口袋妖怪的一套功能（速度，攻击等）谁将获胜。
分类器的训练与预测精度
我们在Pokemon的数据集上训练（或拟合）分类器（即x_train），并最小化训练集上预测值和实际值（y_train）之间的损失。这里的训练意味着找到数据集中不同特征之间的关系来进行预测。
然后我们计算我们的分类器的准确度，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），这是一个非常好的准确度开始。
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口袋妖怪匹配，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。
看起来是这样的：
具有样本匹配的测试数据集
这两个栏目对应的是即将参赛的口袋妖怪。我们正在将这两个口袋妖怪输入分类器，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？。
让我们用机器学习模型来预测它。
赢家看起来很明显。现在让我们给它一些棘手的问题。
那么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，我们预测会有结果（感觉很好！）。 那么谁会赢呢？
閱讀更多 黑胡桃實驗室 的文章
