ITPub博客

首页 > 架构设计 > 数据架构 > 了解概率知识,概率作为机器学习的底层逻辑

了解概率知识,概率作为机器学习的底层逻辑

数据架构 作者:古月木易01 时间:2020-06-24 19:06:32 0 删除 编辑

1. 随机

随机是我们进行概率推导的基石之一。我们的统计学中经常说一枚硬币抛正面的概率是50%,就是基于每次抛硬币都是随机事件。

真随机” 和 “伪随机”的区别:

真随机

在真随机中,每一个事件都是相互独立、服从真随机分布的,不受其他事件的发生而改变。

伪随机

我们程序员都知道,程序给定条件,得到的是确定的结果。所以我们编写的Math.random()肯定不是真随机,而是伪随机。代码底下无秘密,我们看下自带random函数的随机数产生的逻辑。

attachments-2020-06-Cjh0Bma85ef32f5e7718a.jpg

图1 random函数计算源码

可以看出,如果给定相同的seed,random方法将返回相同的随机数。所以程序只是在生成近似随机结果

2. 用户对随机的感受体验

因此真随机在实际使用过程中,并不一定带来好的体验。而很多伪随机算法更多的是在照顾用户的感受。

PRD机制(Pseudo Random Distribution)

在游戏中,会有概率暴击的设计。比如某个角色的大招有35%的概率使出暴击,按照真随机,那么 连续暴击的概率 0.35X0.35=12.25%。 
过高的暴击概率对严谨的竞技赛事来说,无疑是极其不公平的。因为一次人品爆发秒掉对方核心,可能直接决定赛事的成败,而缺少了竞技的成分。 
因此游戏公司大都遵循 PRD机制PRD公式如下:

attachments-2020-06-4AlBR1Lf5ef32f739f0fc.jpg

图2 PRD公式 

其中,C是一个小于1的常数(算法复杂,可以查表),N表示尝试次数,P为概率。公式表明的意义是:  从事件发生起,每次不成功的尝试都会增加1个固定值。 当触发暴击后,概率N重新计算。

attachments-2020-06-mDURmurl5ef32f867a5ed.jpg

图3 预先算好的C值表

从表中,可以查到35%概率,使用的C约为16%,因此可以算的p(7)=16x7%=112%, 即7次必出现1次暴击。  同时上来即  两次暴击的概率为 0.16x0.16 = 2.56%,大大降低了人品的干预。

3. 总结

机器学习发展这么快,概率作为机器学习的底层逻辑,了解点概率知识不亏。

本文转自:奈学开发者社区


来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/69976612/viewspace-2700579/,如需转载,请注明出处,否则将追究法律责任。

请登录后发表评论 登录
全部评论

注册时间:2020-06-06

  • 博文量
    49
  • 访问量
    23000