آموزش شرط بندی و پوکر

شرط بندی ورزشی یکی از این مشکلات عالی برای الگوریتم های یادگیری ماشین و به خصوص شبکه های عصبی است. تعداد زیادی از داده های موجود و یک هدف روشن برای انتخاب برنده! با این حال ، مدل های طبقه بندی کلاسیک به خوبی با استراتژی های قمار مطابقت ندارند و برای دستیابی به سودآوری بهتر باید از یک عملکرد ضرر سفارشی در شبکه عصبی استفاده کنند. ما توضیح می دهیم که چرا در زیر آمده است.
استراتژی های ساده قمار برای لیگ برتر انگلیس.
بیایید امروز در شرط برتر استراتژی های اساسی قمار را براساس شانس مبادله شرط بندی پیاده سازی کنیم. رقم اعشار نسبت به پرداخت کامل به شرط بندی است. به عنوان مثال ، شانس 2 به معنای این است که برای یک شرط 1 دلار می توانید 2 دلار (از جمله موجودی خود را) بدست آورید. توجه كنید كه شانس مخالف احتمال ضمنی درستی بودن را نشان می دهد. شانس 2 به معنای شانس 50٪ برای پیروزی (1 / شانس) است. از این رو می خواهید در تیم هایی با کمترین شانس شرط بندی کنید ، یعنی بالاترین احتمال پیروزی.
برای نشان دادن ، ما دو استراتژی اساسی داریم:
"برای همیشه": شرط بندی بر تیم با کمترین شانس ، یکی با بالاترین شانس پیروزی.
"برنده شدن یا تساوی": شرط بندی در تیم با کمترین امتیاز و شرط بندی در قرعه کشی.
فرض کنید ما برای بورنموث مقابل چلسی شانس 5.5-11.61 داریم. چلسی 1.61 شانس دارد. از این رو ما درباره پیروزی چلسی در استراتژی "پیروزی" و پیروزی در استراتژی "برد یا تساوی" می گوئیم.
دقت پیش بینی در مقابل سود کل. آنها شبیه هم نیستند.
اکنون دو استراتژی شرط بندی "Win" در مقابل "Win یا Draw" را با یکدیگر مقایسه خواهیم کرد.
برای داده ها از API Betfair استفاده کردیم. Betfair یکی از بزرگترین صرافی های قمار است و API آن شامل پیمایش ارز ، بازیابی شانس و عملیات قمار است.

جداول ستون فوق بیانگر دقت و سود حاصل از هر دو سیستم شرط بندی است. دقت یعنی تعداد دفعاتی که شرطهای ما صحیح بود ، با تعداد کل شرط ها تقسیم می شوند (در این مورد 200). سود بیانگر مبلغی است که شما با سرمایه گذاری 1 پوند در هر شرط می توانید بدست آورید.
نمودار اول در سمت چپ ، یک نسبت دقت 61٪ برای استراتژی "پیروزی" را نشان می دهد ، در حالی که 80٪ برای "برنده یا قرعه کشی" مخالف است. در این حالت ، "پیروزی یا تساوی" خیلی بهتر به نظر می رسد. با این حال ، نمودار دوم نشان می دهد که سود حاصل از آن به مراتب کمتر از راهبردهای "پیروزی" است. vs 1 در مقابل 12 پوند.
بنابراین ما نباید در پیش بینی نتایج بازی دقت بیشتری داشته باشیم بلکه باید بیشتر روی سود کلی خود تمرکز کنیم.
شبکه عصبی پیش بینی قمار.
هنگام تصمیم گیری در مورد اینکه کدام تیم پول ما را در اختیار بگذارد ، داده های زیادی درگیر است. به همین دلیل ، قمار موضوعی ایده آل برای استفاده از یکی از محبوب ترین تکنیک های یادگیری ماشین ، شبکه های عصبی است.
به طور خاص ، ما می توانیم از یک شبکه عصبی طبقه بندی شده استفاده کنیم. طبقه بندی NN ایده آل است هنگامی که برای مشکلاتی که نتیجه گسسته دارند اعمال شود ، یا در هنگام شناسایی اینکه کدام دسته متعلق به یک مشاهده خاص است ، استفاده می شود. به عنوان نمونه ، به "سگهای داغ ، نه هات داگ" یا تجزیه و تحلیل احساساتی که سعی در طبقه بندی متن به احساسات مثبت یا منفی دارند ، فکر کنید.
با استفاده از شرط بندی های ورزشی ، می توانیم شبکه عصبی را با سه دسته ساده طراحی کنیم. در اینجا معماری چنین شبکه ای وجود دارد.