机器学习（六）

方格游戏.jpg

这篇文章中，我们一起来看下究竟什么是特征。如果拿图像来看可能会比较直观，但是对于非图像类的特征，往往十分抽象，本文通过经典的方格游戏，来说明下机器学习的特征是如何选取的（限于篇幅，方格游戏的规则在这里不再介绍，请读者自行查阅）。

我们首先需要拿到这个游戏的已知对战棋谱，学习胜的一方走棋步骤，即在某个棋面下，走哪一步棋能够获胜的？我们假设两个玩家的某一盘棋，第一个玩家的棋子为A1,B1,C1,...；第二个玩家的棋子为A2,B2,C2,....；他们走子的顺序为A1A2B1B2C1C2...，且最后第二个玩家胜。那么我们学习的过程就是学习第二个玩家的走棋过程。在棋盘上只有A1的情况下，我们认为走A2获胜的概率比较大，在棋盘上有A1A2B1的情况下，我们认为走B2获胜的概率比较大，在棋盘上有A1A2B1B2C1的情况下，我们认为走C2获胜的概率比较大。
因此我们的特征和标签就有了，如下表1：

表1

特征1（当前棋盘）	标签 （下一步棋）
A1	A2
A1A2B1	B2
A1A2B1B2C1	C2

那么特征和标签该如何表示呢？总不能用字符串去表示吧，字符串没有办法进行卷积之类的数学运算。其实，可以把对应的字母转换为数字，从而将字母字符串转换为数字向量，具体如何表示字母和数字的对应关系，只要数字能够区分这些特征字符串即可。标签只有一个字母，一般用onehot编码，即把所有可能的特征信息进行二进制编码，每个二进制序列只包含一个1，其它位全0，用于唯一标识一个特征。例如某种特征有三种形式，我们可以用二进制串表示为001，010，100。
我们表1 内容数字化如表2：

表2

特征1（当前棋盘）	标签 （下一步棋）
A1 （100000...）	A2(001...)
A1A2B1（121000...）	B2(010...)
A1A2B1B2C1(121210...)	C2(100...)

此时特征1即为机器学习的输入x，标签即为期望的输出y，通过大量的样本训练，从而训练出一组权值。

对于一个复杂的游戏，选取一个特征作为训练的输入是远远不够的。就像我们认识事物，还拿前面的汽车为例，如果我们只知道轮子这一个特征，那么我们可能会误学到飞机也是汽车。

那么对于方格游戏，还有哪些特征可以选取呢？一般来讲，对这个游戏的理解越深，越方便于特征选取。例如，一般高手在玩方格游戏的时候，走某一步棋后，一定会想法设法为自己多创造角点，并且想法设法减少敌人产生角点的个数。所以角点数可以作为一个输入特征(至于角点用什么数字表示，依然是根据你的游戏设计而定)。
加入角点数后，如表3：

特征1（当前棋盘）	特征2（我方角点）	特征3（敌方角点）	标签 （下一步棋）
A1 （100000...）	123...	10...	A2(001...)
A1A2B1（121000...）	0...	2...	B2(010...)
A1A2B1B2C1(121210...)	1234...	34...	C2(100...)

通过加入角点特征，作为输入的x更加丰富了，从而能够使得学习更加准确，训练收敛速度更快。

以此类推，可以继续选择更多特征。总之对游戏的理解越深刻，特征的选取越准确，也就越有效。因此，机器学习除了需要软件高手之外，领域专家同样不可或缺。

再看看最近几年炙手可热的AlphaGo，它其实跟方格游戏的训练过程很相似。它的特征选取用到了围棋的气、势、空等概念，当然还有更加深刻的超出外行理解的一些特征和算法。但不管怎么说，机器学习的过程和原理基本类似。希望这篇文章会让你对机器学习的特征选取有一个初步概念。