Rybka explained?

Я так понимаю, прямым текстом про шашки сказано

Никаких намеков. Просто
1. Оценка позиций с дамками (разбиваем позиции на типы - без дамок, дамки у одной стороны, дамки у обеих) похоже можем решить очень существенную проблему.
2. Исключение позиций - элементарно, позиции со взятием и позиции где превражение лучший ход.

Таблицы - элементарно - одно/двух/трех шашечные комбинации, комбинации шашек с незанятым полем.

Берусь доказать что такие таблицы покроют признаки - возможности ходов, решетчатость, сбалансированность флангов и т.д. - просто легко... (то есть даже не нужно отдельно считать сбалансированность флангов - она сама посчитается по матрице двухшашечных комбинаций одного цвета)

Ребят, вы закапываетесь в частностях, начинаете усложнять модель, хотя она еще не реализована в самом простом варианте. Я понимаю, чтут среди нас куча генераторов идей, но если вы хотите что-то получить практическое, то работать надо итеративно.
Относительно получения величины оценки. Для начала предполагаю не мудрить, а просто взять некую величину C, которую потом умножить на отношение относительных частот пешечной структуры в общем массиве и в выборке по фигуре. Потом значение C подстроить через % угадывания ходов гроссов.

Сергей, по-моему как раз я не мудрю - всё абсолютно четко,
Анализ базы при помощи программы, исключение нестабильных позиций, построение системы уравнений и её решение.

Признаки - все однофигурные и двухфигурные сочетания. Пешка бьется на шесть типов (так как сочетаниями признаков мы не получим ни проходную, ни изолированную, ни слабую)

Математика вся есть - такой подсчет выполняется без проблем даже без наличия собственной шахматной программы.


Но мне это нужно для шашек - в шашках всё еще проще ( точнее проще конечно некуда)

А у тебя еще не посчитаны простейшие таблицы (по заявлениям Васика у него только двух-фигурные), а ты уже взялся за пешечные структуры... (то есть усложняешь модель).

Я например не вижу никаких проблем в решении тысячи линейных уравнений с тысячью неизвестных, а задачи на метод наименьших квадратов даются даже на первых курсах Вузов, так что это никакое не усложнение!!! И зачем "подстройки" под процент угадывания, когда есть четкие мат. алгоритмы получения однозначного набора весов для признаков по известной оценке.

А четких алгоритмов настройки такого-же количество признаков под угадывание лучшего хода - пока не существует, и лучший ход может быть лучшим с тактических соображений, а не вызван реальной оценкой после хода. И если решить систему уравнений реально, и сложность алгоритмов известна, то настраивать признаки очень долго, даже при построении модели с глубиной 1 ply без ФВ.

Не надо отсеивать нестабильные позиции для начала. Нас будут интересовать в первую очередь те структуры, которые встречаются часто. Мои прикидки показывают, что таких структур в миттельшпиле всего несколько тысяч. Не надо пока что вводить дополнительные параметры, типы пешек и пр. Для начала надо попробовать простейший вариант. Если сам подход верен, то мы получим усиление движка, пусть и небольшое.

Как будет выглядеть этот простейший вариант поэтапно?... Напр, 1.собрать базу из такого-то количества партий.... и т.п. А то всё абстракции, да, абстакции.

Сергей, речь о другом. О сложности алгоритмов. Нет алгоритма подстройки тысячи параметров под ход!!!
А вот собрать статистику по миллиону позиций, получить матрицу NxN за за линейное время от количества позиций, и решить задачу минимизации суммы квадратов мы можем, и все алгоритмы уже есть. (N- количество признаков)

У меня никаких Абстракций
Для каждой позиции получаем оценку.
Получаем систему уравнений (количество уравнений равно количеству позиций) кол1*вес1+...+колn*весn=oc
Где oс - оценка позиции. Колn- количество признаков в этой конкретной позиции, весn - вес признака который необходимо найти.
Решаем (минимизируем отклонение реального значение от oc) методом наименьших квадратов - суть метода наверно нет смысла описывать в этой ветке - его полно в интернете, и все учились в институте.
Сводится эта задача к решению уравнения Ax+b=0, где x[n] - вектор весов, A[n,n], и b[n] матрица и вектор рассчитываемые по известной формуле. n - количество признаков.

Как получить оценки позиций известно всем, и выше я об этом писал.

Никаких этапов - проанализировали базу, решили уравнение. Для анализа базы - есть готовые парсеры. Решать уравнения умеют все...

Какие хоть абстракции, я уже написал больше половины
Берем enormous.pgn
Просматриваем все позиции и пишем пешечные структуры в файл. Пары (структура, частота появления). Структура файла я разработал, с хэшем, файлик обработал, выход получил.
Теперь то же самое, но берем только структуры из позиций, где слон стоит на с4 скажем. Это я тоже сделал и тоже получил файлик.
Теперь выкидываем из обеих файликов структуры, которые встречаются редко, чтобы исключить статистическую оценку. Теперь выбираем, скажем, 2000 структур, у которых относительная частота во втором файое больше относительной частоты в первом. Создаем файлик, в который пишем пары (структура, превышение относительно частоты = х). Все структуры сортируем. Теперь добавляем в оценочную функцию поиск в этой таблицы текущей структуры, если слон стоит на с4. Если находим, то прибавляем к оценке х * С. Всё. Что хоть тут абстрактного?

Что быстрее реализовать в программе, а, стало быть, получить результат ? То, что ты предлагаешь или то, что предлагает Сергей Марков?

"Решать уравнения умеют все" - заблуждение. Я видел людей (их несколько было!), которые не могли найти х из уравнения x+1=0.

В том-то и дело, что не сводится, потому что точного решения уравнение не имеет. А задача заключается в поиске максимума (минимума), и в общем случае чтобы найти глобальный максимум (минимум) этой функции, понадобятся такие вычислительные ресурсы, которых у нас нет и не будет.

Плохо вас учили в институте - Если матрица A и вектор B состоят из вещественных чисел, то в 100% случаев решение есть и оно именно одно. Проблемы возникают только при вырожденной матрице А, либо при однородной системе (вектор В нулевой)

Именно на этом построен метод наименьших квадратов для системы линейных уравнений.
Эстремум всегда есть, и он всегда один, и он всегда - минимум. (вторая производная больше нуля).
Метод наименьших квадратов работает всегда, и он общепринят для расчета весов линейной функции.

Вот теперь окончательно прояснилось. :rolleyes:

Абстракция относилась к тому, что пора бы начать реализовывать это....типо "хорош трындеть, бери лопату".

Где это он, кстати, заявлял?

Сергей, прочитай в интернете про метод наименьших квадратов для линейных функций... Не позорься
Линейное уравнение имеет решение, при этом всегда одно. (условия отсутствия решения и его неединственности я написал выше - это нулевой вектор в, и вырожденная матрица А)

Для примера А+В=14,А+В=17,2А+В=14 - решая методом наименьших квадратов мы не получим решение? Получим не одно? Что за глупости... Сводится к решению неоднородной системы двух уравнений с двумя неизвестными.

Не помню, но где-то на форуме он (Васик) об этом говорил, что достаточно двух-трех фигурных таблиц.

Охохох, меня стали подозревать в том, что я не знаю, что такое МНК
В системе гарантированно есть решение, если количество членов уравнения не меньше количества уравнений.
Если ты в оценочную функцию введешь столько факторов, сколько у тебя позиций в базе, то решение гарантировано будет, но оно, поверь мне, будет абсолютно бесполезным.

Чтоб была понятна суть метода наименьших квадратов.
Анализируя базу мы получаем систему уравнений с N переменными, где N количество признаков.
А+В=14,А+В=17,2А+В=14 Находи сумму квадратов отклонений.
(А+В-14)^2+(А+В-17)^2+(2A+B-14)^2. Если заметили - квадратичная форма
Чтоб минимизировать - обе производные (по А и В) приравниваем к нулю.
Получаем два линейных уравнения с двумя неизвестными, система неоднородна, матрица вырождена с вероятностью 0!!!
ровно одно решение...

Но я повторяю то, что есть на просторах интернета и в институтских курсах.

Никак не могу понять, как частота появления связана с весом признака... Она даже о знаке признака ничего не говорит...

Винни - 100% вероятность с вещественными коэфициентами!!!
Знаешь что равенство двух вещественных чисел возможно с нулевой вероятностью?
У тебя все коэффициенты в матрице, и весь вектор будет состоять из вещественных чисел.
А не 1 и 0!!!
Попробуй взять две производные в посте приведенным мной.

Сергей, говоря о том что метод наименьших квадратов для системы уравнений с вещественными значениями справа может не дать решения (при этом с миллионом уравнений на тысячу коэффициентов) - ты действительно позоришься

Хотелось бы как-то поточнее понять, о чем вообще там была речь.

Поправлюсь - вектор будет состоять из вещественных чисел, а матрица из целых, но очень больших (у нас миллион начальных уравнений)

Постепенно тема из "Rybka explained?" превращается в тему: Почему нескольким программистам нельзя совместно писать шахматную программу.

Сергей, речь шла о подборе комбинаций признаков для табличной оценки, Васик сказал что не нужно ничего подбирать, достаточно всех двух-трех фигурных комбинаций (или что-то в этом духе) - насколько я понял что имелось в виду что с последующим исключением несущественных...

Конечно связана. Если в непроигранных партиях сильные шахматисты чаще ставили слона на с4 в определенных пешечных структурах, значит там ему и место в этих структурах.

Согласен. По просту, это должно научить прогу понимать/знать типичные планы для различных пешечных структур!

Я так не думаю. Частота появления фигуры на поле не очень связана с весом признака...
Конь у нас чаще на f3 или e6? на f3 конь стоит лучше? Это идеальное поле для коня?
В старушке - конь чаще стоит на f6, e8 или h5
В драконе чернопольный слон белых чаще стоит на e3 или h6?
Посмотри по своей статистике - ничего нам не говорит о силе полей частота ходов... В драконе слон ходит на e3, d4 и g5, а сильнейшее поле h6.

И ничего нам частота не говорит о весе
Какая зависимость? Линейная? Нет? Есть ли она вообще?

+1

Я же сказал: относительная частота. Насколько в этой структуре чаще, чем в другой.