Anàlisi de Poker Online.Jesús Nubiola Cervera

Quèpretenemaconseguir?Caracteritzar de manera molt acurada cada perfil de jugador de poker per així poder treballar desprès amb aquests perfils, buscant punts forts i punts febles de cadascun d’ells.

Comhofem?…DATASET 1DATASET 2DATASET 3DATASET NBusquempossibleserrors de joc encertsjugadorsd’unmateixclusterX-meansK-meansEMClusteritzacióSISóncoherentselsclústers?Clúster BKeepsearchingClúster AClúster CNO

Punt de partidaAtributs: +400Jugadors: 98.435Mansjugades: +22milions. Tipus de Joc: Texas Holdem NL50Tenimmoltsatributs i registres.Passem a veurecomcomencem a organitzar i experimentar ambaquestesdades…..

Experiment 1Disposemd’un DATASET molt gran ambdadesmolt disperses. Primer de totfarem una divisió, a criterid’expert, en SubDATASETSambjugadorsambmés de 1000 mansjugadesdonantlloc a 3344 Jugadorsamb 40 atributs. data11.csv --> VPIP 0-11 pfr 0-6 bb/100 +3 (63 registres)data21.csv --> VPIP 0-11 pfr 0-6 bb/100 0-3 (57 registres)data31.csv --> VPIP 0-11 pfr 0-6 bb/100 -0 (152 registres)data12.csv --> VPIP 0-11 pfr 6+ bb/100 +3 (43 registres)data22.csv --> VPIP 0-11 pfr 6+ bb/100 0-3 (31 registres)data32.csv --> VPIP 0-11 pfr 6+ bb/100 -0 (52 registres)data14.csv --> VPIP 11-18 pfr 0-6 bb/100 +3 (162 registres)data24.csv --> VPIP 11-18 pfr 0-6 bb/100 0-3 (92 registres)data34.csv --> VPIP 11-18 pfr 0-6 bb/100 -0 (279 registres)data15.csv --> VPIP 11-18 pfr 6+ bb/100 +3 (291 registres)data25.csv --> VPIP 11-18 pfr 6+ bb/100 0-3 (80 registres)data35.csv --> VPIP 11-18 pfr 6+ bb/100 -0 (260 registres)data17.csv --> VPIP 18+ pfr 0-6 bb/100 +3 (144 registres)data27.csv --> VPIP 18+ pfr 0-6 bb/100 0-3 (67 registres)data37.csv --> VPIP 18+ pfr 0-6 bb/100 -0 (417 registres)data18.csv --> VPIP 18+ pfr 6+ bb/100 +3 (446 registres)data28.csv --> VPIP 18+ pfr 6+ bb/100 0-3 (83 registres)data38.csv --> VPIP 18+ pfr 6+ bb/100 -0 (627 registres)

Experiment 2Després de fer un seguiment dels dos clústers realitzats, aquests són els atributs que més difereixen:Observem que el perfil blau és un jugador poc selectiu y bastant passiu, pel contrari el vermell sembla més selectiu i algo més agressiu tot i que tots dos encaixen perfectament amb el perfil global de jugador perdedorVPIP - Mitja: 29.9VPIP - Mitja: 15.427

Després de fer un seguiment dels dos clústers realitzats, aquests són els atributs que més difereixen:

Observem que el perfil blau és un jugador poc selectiu y bastant passiu, pel contrari el vermell sembla més selectiu i algo més agressiu tot i que tots dos encaixen perfectament amb el perfil global de jugador perdedor

Experiment 2Aquesta és la gràfica que ens ha permés, en certa mesura, detectar possibles fugues de diners, dins del joc d’alguns dels jugadors del clúster blau. BB/100Per analitzar aquestes dades, subdividirem el perfil blau en dos perfils més: Perdedors i guanyadors.BB/100

Experiment 2Conclusions:VPIP similar en els dos perfils però diferencia important en el PFR, per tant, els perdedors han d’augmentar PFR en un 20% aproximadament.L’acció RaiseTwoRaisers sembla determinant en el winrate dels guanyadors amb un 5%, a diferència del perfil perdedor que la realitza únicament en un 2’5% de les ocasions (JJ i Aks).

VPIP similar en els dos perfils però diferencia important en el PFR, per tant, els perdedors han d’augmentar PFR en un 20% aproximadament.

L’acció RaiseTwoRaisers sembla determinant en el winrate dels guanyadors amb un 5%, a diferència del perfil perdedor que la realitza únicament en un 2’5% de les ocasions (JJ i Aks).

Anàlisi de resultatsSentiment de fracàs.Gran nombre de gràfiques il·lògiques.Falta de dades per a extreure el coneixement realitzat.Massa ambiciosos amb el volum d’atributs.Cal detectar aquells atributs dels quals se’n tinguin suficients mostres com per què no es vegin influenciats per ratxes

Experiment 3Amb intenció de resoldre els errors de l’experiment 2, fem una sel·lecció més rigurosa dels jugadors a analitzar (10.000+ mans jugades) i eliminem instàncies amb atributs dispersos que infectin les mitges lògiques degut a ratxes.El dataset se’ns redueix a 160 jugadors aproximadament i 20 atributs de cadascun d’ells.Aplicarem algorismes de clusterització més complexes que X-means (EM).Un cop més, intentarem trobar patrons de comportament en els jugadors de poker, i analitzar les possibles falles del joc.

Amb intenció de resoldre els errors de l’experiment 2, fem una sel·lecció més rigurosa dels jugadors a analitzar (10.000+ mans jugades) i eliminem instàncies amb atributs dispersos que infectin les mitges lògiques degut a ratxes.

El dataset se’ns redueix a 160 jugadors aproximadament i 20 atributs de cadascun d’ells.

Aplicarem algorismes de clusterització més complexes que X-means (EM).

Un cop més, intentarem trobar patrons de comportament en els jugadors de poker, i analitzar les possibles falles del joc.

Experiment 3Preprocessem el dataset i eliminem, per mitjà de la funció removeWithValues, les instancies que tinguin ±10bb/100, a fi d’obtenir una distribució el més homogènia possible.Detectem una clara ineficiencia de l’algorisme X-means i K-means per al nostre Dataset, així que usarem EM, provinent de l’estadística.Després d’aplicar varies probes, concluim que la millor configuració per al nostre cas, és aplicar EM en base a 8 atributs dels 25 que disposem inicialment.VPIP,PFR,3Bet,Postflop, Agg_Xcent_,W$SF_Xcent_,WTSD_Xcent_,Won$atSD,Flop CBet_Xcent_

Preprocessem el dataset i eliminem, per mitjà de la funció removeWithValues, les instancies que tinguin ±10bb/100, a fi d’obtenir una distribució el més homogènia possible.

Detectem una clara ineficiencia de l’algorisme X-means i K-means per al nostre Dataset, així que usarem EM, provinent de l’estadística.

Després d’aplicar varies probes, concluim que la millor configuració per al nostre cas, és aplicar EM en base a 8 atributs dels 25 que disposem inicialment.

Experiment 3Attribute 0 1 2 3 (0.39) (0.08) (0.11) (0.42)======================================================VPIP mean 15.8104 16.6432 8.5271 13.4455 std. dev. 4.2926 5.8636 1.7952 3.5132PFR mean 7.0189 7.6057 6.3873 4.8529 std. dev. 2.4115 3.0021 1.1766 1.963Bet mean 2.1357 2.3449 3.2835 1.4193 std. dev. 0.8447 1.4122 0.8349 0.7724PostflopAgg_Xcent_ mean 27.9161 36.5292 21.992 21.2963 std. dev. 2.4295 3.1751 5.5962 3.0462W$SF_Xcent_ mean 35.7584 41.3223 35.8681 31.5531 std. dev. 1.8985 2.3984 3.1989 1.9467WTSD_Xcent_ mean 21.9111 21.6301 32.3026 22.4405 std. dev. 2.8923 2.2878 4.769 2.4359Won $ at SD mean 50.7832 48.3112 51.845 55.5973 std. dev. 2.5343 2.7277 2.628 3.2139Flop CBet_Xcent_ mean 77.1029 87.6351 85.0199 68.4854 std. dev. 11.682 4.6741 10.6176 13.3922Hi han 2 clústerspoblantquasi tota la zona de bb/100 (0 i 3).El altres 2clústerssemblenmésinteressants. Elsaïllem per estudiar la sevadistribució de winrate.Clusteritzacióamb EMBB/100BB/100

Experiment 3Tot i que l’atribut BB/100 no s’ha tingut en compte al fer la clusterització es determinant en la separació de clústers.Analitzarem el clúster negre, per l’interès que desperta el fet que tingui jugadors amb beneficis i jugadors amb pèrdues.Tot i tenir moltes característiques similars, ja que estan en el mateix clúster, alguna cosa tindran els perdedors que no els permet guanyar

Tot i que l’atribut BB/100 no s’ha tingut en compte al fer la clusterització es determinant en la separació de clústers.

Analitzarem el clúster negre, per l’interès que desperta el fet que tingui jugadors amb beneficis i jugadors amb pèrdues.

Tot i tenir moltes característiques similars, ja que estan en el mateix clúster, alguna cosa tindran els perdedors que no els permet guanyar

Experiment 3Observacions:El guanyador dobla el 3bet del perdedor.És molt mes agressiu en les accions Late i Blinds.Conclusions:El perdedor ha d’obligar-se a realitzar l’acció de 3bet el doble de vegades que les actuals. Ha de millorar la seva forma de joc en posicions finals i cegues. Finalment aconseguiráaugmentar el seu VPIP, que també el té a un nivell insuficient.

El guanyador dobla el 3bet del perdedor.

És molt mes agressiu en les accions Late i Blinds.

El perdedor ha d’obligar-se a realitzar l’acció de 3bet el doble de vegades que les actuals.

Ha de millorar la seva forma de joc en posicions finals i cegues.

Finalment aconseguiráaugmentar el seu VPIP, que també el té a un nivell insuficient.

ConclusionsgeneralsS’ha de ser molt més rigorós en la preselecció d’atributs.Tractar molt més les dades (preprocés) abans de llançar-se en la clusteritzció.Hauríem aconseguit millors resultats escollint una modalitat més alta de joc (jugadors més bons i més metòdics) NL400++

S’ha de ser molt més rigorós en la preselecció d’atributs.

Tractar molt més les dades (preprocés) abans de llançar-se en la clusteritzció.

Hauríem aconseguit millors resultats escollint una modalitat més alta de joc (jugadors més bons i més metòdics) NL400++

Preguntes