Infer.NET と確率論的プログラミングでゲーム対戦リスト アプリを作成する
このハウツー ガイドでは、Infer.NET を使用した確率論的プログラミングについて説明します。 確率論的プログラミングは、カスタム モデルがコンピューター プログラムとして表現される機械学習アプローチです。 ドメインの知識をモデルに組み込み、機械学習システムから解釈可能にすることができます。 また、新しいデータを取得したときの学習プロセスであるオンライン推論もサポートしています。 Infer.NET は、Microsoft で Azure、Xbox、Bing のさまざまな製品で使用されています。
確率論的プログラミングとは
確率論的プログラミングを使用すると、現実世界のプロセスの統計モデルを作成することができます。
前提条件
ローカル開発環境。
このハウツー ガイドでは、開発用に使用できるマシンがあることを想定しています。 macOS、Windows、または Linux 上でローカルの開発環境を設定する手順については、.NET チュートリアル Hello World in 10 minutes (10 分で Hello World) に記載されています。
アプリを作成する
コマンド プロンプトを開き、次のコマンドを実行します。
dotnet new console -o myApp
cd myApp
dotnet
コマンドで、種類が console
の new
アプリケーションを作成します。 -o
パラメーターで、アプリが格納されるディレクトリ myApp
を作成し、必要なファイルを指定します。 cd myApp
コマンドで、新しく作成されたアプリ ディレクトリに移動します。
Infer.NET パッケージのインストール
Infer.NET を使用するには、Microsoft.ML.Probabilistic.Compiler
パッケージをインストールする必要があります。 コマンド プロンプトで次のコマンドを実行します。
dotnet add package Microsoft.ML.Probabilistic.Compiler
モデルを設計する
このサンプルでは、オフィス内でプレイされる卓球またはフーズボールの試合を使用します。 参加者と各試合の結果があります。 このデータからプレーヤーのスキルを推論します。 各プレーヤーには正規分布の潜在的なスキルがあり、各試合の成績はこのスキルにノイズを加えたバージョンと仮定します。 このデータによって、勝者の成績が敗者の成績よりも高くなるように制限します。 これは、一般的な TrueSkill モデルの簡易バージョンです。TrueSkill モデルは、チーム、引き分けなどの拡張機能もサポートしています。 このモデルの高度なバージョンは、ベストセラーのゲーム タイトルである Halo と Gears of War のマッチメイキングに使用されています。
推定されたプレーヤーのスキルをその分散 (そのスキルの不確実性の尺度) と共に列挙する必要があります。
ゲーム結果のサンプル データ
ゲーム | 勝者 | 敗者 |
---|---|---|
1 | プレーヤー 0 | プレーヤー 1 |
2 | プレーヤー 0 | プレーヤー 3 |
3 | プレーヤー 0 | プレーヤー 4 |
4 | プレーヤー 1 | プレーヤー 2 |
5 | プレーヤー 3 | プレーヤー 1 |
6 | プレーヤー 4 | プレーヤー 2 |
サンプル データを詳しく見ると、プレーヤー 3 とプレーヤー 4 のどちらも 1 勝 1 敗であることがわかります。 確率論的プログラミングを使用するとランキングがどのようになるかを見てみましょう。 オフィスの対戦リストであっても開発者にとってはゼロベースなので、プレーヤーがゼロである点にも注意してください。
コードを記述する
モデルを設計したら、次は Infer.NET モデル API を使用して確率論的プログラムとして表現します。 使い慣れたテキスト エディターで Program.cs
を開き、すべての内容を次のコードに置き換えます。
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}");
}
}
}
}
アプリを実行する
コマンド プロンプトで次のコマンドを実行します。
dotnet run
結果
結果は以下のようになるはずです。
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)
この結果では、モデルに従ってプレーヤー 3 がプレーヤー 4 よりわずかにランクが高い点に注目してください。 これは、プレーヤー 3 がプレーヤー 1 に勝ったことが、プレーヤー 4 がプレーヤー 2 に勝ったことよりも重要であるためです (プレーヤー 1 がプレーヤー 2 に勝つことに注意してください)。 プレーヤー 0 が全体のチャンピオンです。
学習の継続
統計モデルの設計は独自のスキルです。 Microsoft Research Cambridge チームは、この記事を簡単に紹介した無料のオンライン ブックを作成しました。 このブックの第 3 章には、TrueSkill モデルが詳しく説明されています。 モデルを考えついたら、Infer.NET Web サイトの膨大なドキュメントを使用してモデルをコードに変換することができます。
次の手順
学習を続けてその他のサンプルを確認するには、Infer.NET の GitHub リポジトリを参照してください。
.NET
フィードバック
https://aka.ms/ContentUserFeedback」を参照してください。
以下は間もなく提供いたします。2024 年を通じて、コンテンツのフィードバック メカニズムとして GitHub の issue を段階的に廃止し、新しいフィードバック システムに置き換えます。 詳細については、「フィードバックの送信と表示