Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

DataMining1106

528 views

Published on

Association Rule in Pokemon Party

  • Be the first to comment

DataMining1106

  1. 1. データマイニング発表 CS専攻1年 中村高士データマイニングの かだいがしょうぶを しかけてきた
  2. 2. 背景 Lv.1• ポケモン – 全649種類(公式戦使用可なものは627種類)• 対戦 – パーティは6匹一組で構成される – 味方のポケモンとの相性を考える必要がある – 対戦メンバーを選ぶのは難しい⇒ 相性のよいポケモンがわかれば,パーティの構築を 効率的に行える
  3. 3. 目的とアプローチ Lv.2• 目的 – 相性の良いポケモンの組み合わせを見つける• アプローチ – ランダム対戦(レーティングバトル)のパーティか ら相関ルールを生成
  4. 4. 利用したデータ Lv.3• ランダム対戦(レーティングバトル) 100 戦分の データ• 集計結果 ポケモン名 出現回数 ガブリアス 29 バンギラス 29 ラティオス 26 ハッサム 25 ローブシン 23 ロトム 20 ユキノオー 17 カイリュー 16 : :
  5. 5. 実験について Lv.4• パラメータの設定 – Confidence の閾値は 0.6 – Support の閾値は 0.03 – アイテムセット数が 2 のもののみを対象 • 例:A ⇒ B• 上記の条件を満たす相関ルールを出力
  6. 6. 結果 Lv.5 ルール Confidence Support トドゼル ⇒ ユキノ 1.0 0.03 ガ オー マンムー ⇒ ローブシ 0.8 0.04 ン キングド ⇒ ニョロト 0.75 0.03 ラ ノ カバルド ⇒ ドリュウ 0.714 0.05 ン ズ カバルド ⇒ ラティオ 0.714 0.05 ン ス エアーム ⇒ バンギラ 0.714 0.05 ド ス バシャー ⇒ ラティオ 0.667 0.08 モ ス ドリュウ ⇒ カバルド 0.625 0.05 ズ ン
  7. 7. 考察と今後の課題 Lv.6• 考察 – 当たり前のルールも検出された • 例:トドゼルガ ⇒ ユキノオー – いくつか興味深いルールも検出された • 例:マンムー ⇒ ローブシン• 今後の課題 – 出現回数が少なかったポケモンについてはルールを 検出できなかった – ルールの妥当性にも不安が残る ⇒ データ数を増やす

×