瞬間的なvalueの値と800playout後の値の差
| 投稿日 | ： 2022/08/02(Tue) 15:32 |
| 投稿者 | ： 山下 |
| 件名 | ： Re: 瞬間的なvalueの値と800playout後の値の差 |
| 投稿日 | ： 2022/08/03(Wed) 17:15 |
| 投稿者 | ： 山下 |
| 参照先 | ： |
ニューラルネットの出力値そのままという意味、でした。
確かに平均値で何かするのはちょっと乱暴でした。
もう少しどういった局面で変動しやすいのか、という要素を探すと効果があるかもしれません。
確かに平均値で何かするのはちょっと乱暴でした。
もう少しどういった局面で変動しやすいのか、という要素を探すと効果があるかもしれません。
| 件名 | ： Re: 瞬間的なvalueの値と800playout後の値の差 |
| 投稿日 | ： 2022/08/03(Wed) 12:54 |
| 投稿者 | ： ４８ |
| 参照先 | ： |
瞬間的なというのは一局面のニューラルネットの出力値そのままという意味でしょうか？
探索の効果が平均的なものではなく確率分布的な挙動をみないとこういうのは難しい気がします。
探索の効果が平均的なものではなく確率分布的な挙動をみないとこういうのは難しい気がします。
800playoutした後の評価値の差です。
自分が勝ちを +1 、負けを -1 としています。
例えば、瞬間的なvalueが +0.5(勝率75%)の時、800playout後は
平均で -0.13 (勝率換算で6.5%)下がる、という感じです。
+0.65(勝率82.5%)がもっとも過大評価されてやすく、-0.16(勝率換算で8%)下がります。
勝ってる場合も負けてる場合もほぼ対称で、勝率82.5%(17.5%)ぐらいが
もっとも楽観的(悲観的)なようです。
探索すると勝率が下がるなら、最初から補正してみれば、と瞬間的なvalueを
グラフのような感じで無理やり補正してみたのですが、当然というか強くはなりませんでした。