Создайте приложение для составления списка матчей игр с использованием Infer.NET и вероятностного программирования.

В этом руководстве рассказывается о вероятностном программировании с помощью Infer.NET. Вероятностное программирование — это подход машинного обучения, в котором пользовательские модели выражаются как компьютерные программы. Он позволяет включить знания домена в модели и сделать систему машинного обучения более интерпретируемой. Он также поддерживает онлайн-вывод — процесс обучения по мере поступления новых данных. Infer.NET используется в различных продуктах в Microsoft в Azure, Xbox и Bing.

Что такое вероятностное программирование?

Вероятностное программирование позволяет создавать статистические модели реальных процессов.

Предпосылки

• Локальная среда разработки.

  В этом руководстве предполагается, что у вас есть компьютер, который можно использовать для разработки. Руководство по .NET Hello World за 10 минут содержит инструкции по настройке локальной среды разработки в macOS, Windows или Linux.

Создание приложения

Откройте новую командную строку и выполните следующие команды:

dotnet new console -o myApp
cd myApp

Команда dotnet создает new приложение типа console. Параметр -o создает каталог с именем myApp , в котором хранится приложение, и заполняет его необходимыми файлами. Команда cd myApp помещает вас в только что созданный каталог приложений.

Установка пакета Infer.NET

Чтобы использовать Infer.NET, необходимо установить Microsoft.ML.Probabilistic.Compiler пакет. В командной строке выполните следующую команду:

dotnet add package Microsoft.ML.Probabilistic.Compiler

Или в .NET 10+:

dotnet package add Microsoft.ML.Probabilistic.Compiler

Проектирование модели

В качестве примера используются матчи по настольному теннису или настольному футболу, которые проводятся в офисе. У вас имеется информация об участниках и исходе каждого матча. Вы хотите определить навыки игрока из этих данных. Предположим, что у каждого игрока есть скрытый навык с нормальным распределением, а их результаты в матчах являются шумной версией этого навыка. Данные ограничивают результаты победителя, чтобы они были выше результатов проигравшего. Это упрощенная версия популярной модели TrueSkill, которая также поддерживает команды, ничьи и другие расширения. Продвинутая версия этой модели используется для подбора игроков в самых продаваемых игровых тайтлах Halo и Gears of War.

Вы должны перечислить выводимые навыки игрока, а также их дисперсию - меру неопределенности вокруг навыков.

Примеры данных результата игры

С более подробным взглядом на примеры данных вы заметите, что игроки 3 и 4 оба имеют одну победу и одну потерю. Давайте посмотрим, как выглядят рейтинги с помощью вероятностного программирования. Учтите, что также есть игрок номер ноль, так как даже списки выравнивания офисов начинаются с нуля для нас, разработчиков.

Напишите код

Спроектировав модель, пришло время выразить ее как вероятностную программу с помощью API моделирования Infer.NET. Откройте Program.cs в избранном текстовом редакторе и замените все его содержимое следующим кодом:

namespace myApp

{
    using System;
    using System.Linq;
    using Microsoft.ML.Probabilistic;
    using Microsoft.ML.Probabilistic.Distributions;
    using Microsoft.ML.Probabilistic.Models;

    class Program
    {

        static void Main(string[] args)
        {
            // The winner and loser in each of 6 samples games
            var winnerData = new[] { 0, 0, 0, 1, 3, 4 };
            var loserData = new[] { 1, 3, 4, 2, 1, 2 };

            // Define the statistical model as a probabilistic program
            var game = new Range(winnerData.Length);
            var player = new Range(winnerData.Concat(loserData).Max() + 1);
            var playerSkills = Variable.Array<double>(player);
            playerSkills[player] = Variable.GaussianFromMeanAndVariance(6, 9).ForEach(player);

            var winners = Variable.Array<int>(game);
            var losers = Variable.Array<int>(game);

            using (Variable.ForEach(game))
            {
                // The player performance is a noisy version of their skill
                var winnerPerformance = Variable.GaussianFromMeanAndVariance(playerSkills[winners[game]], 1.0);
                var loserPerformance = Variable.GaussianFromMeanAndVariance(playerSkills[losers[game]], 1.0);

                // The winner performed better in this game
                Variable.ConstrainTrue(winnerPerformance > loserPerformance);
            }

            // Attach the data to the model
            winners.ObservedValue = winnerData;
            losers.ObservedValue = loserData;

            // Run inference
            var inferenceEngine = new InferenceEngine();
            var inferredSkills = inferenceEngine.Infer<Gaussian[]>(playerSkills);

            // The inferred skills are uncertain, which is captured in their variance
            var orderedPlayerSkills = inferredSkills
               .Select((s, i) => new { Player = i, Skill = s })
               .OrderByDescending(ps => ps.Skill.GetMean());

            foreach (var playerSkill in orderedPlayerSkills)
            {
                Console.WriteLine($"Player {playerSkill.Player} skill: {playerSkill.Skill}");
            }
        }
    }
}

Запуск приложения

В командной строке выполните следующую команду:

dotnet run

Результаты

Результаты должны быть похожи на следующие:

Compiling model...done.
Iterating:
.........|.........|.........|.........|.........| 50
Player 0 skill: Gaussian(9.517, 3.926)
Player 3 skill: Gaussian(6.834, 3.892)
Player 4 skill: Gaussian(6.054, 4.731)
Player 1 skill: Gaussian(4.955, 3.503)
Player 2 skill: Gaussian(2.639, 4.288)

В результатах обратите внимание, что согласно модели игрок 3 занимает немного более высокое место, чем игрок 4. Это связано с тем, что победа игрока 3 над игроком 1 является более значительной, чем победа игрока 4 над игроком 2 - обратите внимание, что игрок 1 бьет игрока 2. Игрок 0 является общим чемпионом!

Продолжайте обучение

Проектирование статистических моделей — это особый навык само по себе. Команда Microsoft Research Cambridge написала бесплатную онлайн-книгу, которая дает мягкое введение в статью. Глава 3 этой книги подробно описывает модель TrueSkill. Получив модель, вы можете преобразовать ее в код с помощью обширной документации на веб-сайте Infer.NET.

Дальнейшие действия

Ознакомьтесь с репозиторием Infer.NET GitHub, чтобы продолжить обучение и найти дополнительные примеры.