使用ML.NET實現德州撲克牌型分類器

本文將基於ML.NET v0.2預覽版，重點介紹提取特徵的思路和方法，實現德州撲克牌型分類器。

先介紹一下德州撲克的基本牌型，一手完整的牌共有五張撲克，10種牌型分別是：

1. 高牌，花色和點數同時沒有相同的牌。

2. 一對，點數有且僅有兩張相同的牌。

3. 兩對，兩張相同點數的牌，加另外兩張相同點數的牌。

4. 三條，有三張同一點數的牌。

5. 順子，五張順連的牌。

6. 同花，五張同一花色的牌。

7. 葫蘆，三張同一點數的牌，加一對其他點數的牌。

8. 四條，有四張同一點數的牌。

9. 同花順，同一花色五張順連的牌。

10. 皇家同花順，最高點數是A的同花順的牌。

這一次我們將使用邏輯回歸模型，來訓練數據完成我們想要的分類模型。

準備數據集

3,92,3,3,2,2,9,3,5,1

4,4,1,11,2,9,4,13,2,7,0

1,5,1,9,2,8,2,4,4,3,0

4,12,4,7,4,5,2,10,2,2,0

4,3,2,4,4,13,3,6,4,12,0

2,5,4,5,4,1,4,9,2,7,1

2,12,3,12,3,7,3,11,2,7,2

4,13,2,6,4,6,4,10,4,9,1

...

說明一下每一行的格式：

第1張花色，第1張點數，第2張花色，第2張點數，第3張花色，第3張點數，第4張花色，第4張點數，第5張花色，第5張點數，牌型

花色是1-4代表紅心，黑桃，方塊，梅花。點數1表示A，2-10保持不變，11表示J，12表示Q，13表示K。

特徵分析

前幾篇數據集的內容，基本上分割好就是特徵了，這一次不同，每一行的數值僅僅是元數據，也就是說，通過五張牌的花色和點數值是不能直接和牌型形成一一對應的聯繫，需要先按本文開頭介紹的10種牌型的描述，找到關鍵可數值化的欄位。因此，我選擇了這樣一些欄位：對子數，是否是三條，是否是四條，是否是順子，是否同花。通過這5個欄位值的組合，一定能判斷出牌型。

於是，我定義出我想要的數據類型：

public class PokerHandData

{

[Column(ordinal: "0")]

public float S1;

[Column(ordinal: "1")]

public float C1;

[Column(ordinal: "2")]

public float S2;

[Column(ordinal: "3")]

public float C2;

[Column(ordinal: "4")]

public float S3;

[Column(ordinal: "5")]

public float C3;

[Column(ordinal: "6")]

public float S4;

[Column(ordinal: "7")]

public float C4;

[Column(ordinal: "8")]

public float S5;

[Column(ordinal: "9")]

public float C5;

[Column(ordinal: "10", name: "Label")]

public float Power;

[Column(ordinal: "11")]

public float IsSameSuit;

[Column(ordinal: "12")]

public float IsStraight;

[Column(ordinal: "13")]

public float FourOfKind;

[Column(ordinal: "14")]

public float ThreeOfKind;

[Column(ordinal: "15")]

public float PairsCount;

}

S表示花色，C表示點數，Power表示牌型，PairsCount表示對子數，ThreeOfKind表示是否是三條，FourOfKind表示是否是四條，IsStraight表示是否順子，IsSameSuit表示是否同花。

判斷是否同花，只需要比較S1-S5的值即可。

public float GetIsSameSuit()

{

if (S1 == S2 && S2 == S3 && S3 == S4 && S4 == S5)

return 1;

else

return 0;

}

判斷其它幾個特徵，我需要一個通用方法，先統計出每一行的C1-C5，每種點數出現的次數。

static Dictionary GetValueCountsOfCondition(IEnumerable cards)

{

var dic = new Dictionary();

foreach (var item in cards)

{

if (dic.ContainsKey(item))

{

dic[item] += 1;

}

else

{

dic.Add(item, 1);

}

}

return dic;

}

然後再按特徵涵義計算值。

public float GetFourOfKind()

{

return GetCountOfCondition(4);

}

public float GetThreeOfKind()

{

return GetCountOfCondition(3);

}

public float GetPairsCount()

{

return GetCountOfCondition(2);

}

private IEnumerable GetCards()

{

if (cards == null)

{

cards = new[] { Convert.ToInt32(C1), Convert.ToInt32(C2), Convert.ToInt32(C3), Convert.ToInt32(C4), Convert.ToInt32(C5) };

}

return cards;

}

private float GetCountOfCondition(int target)

{

if (valueCounts == null)

{

valueCounts = GetValueCountsOfCondition(GetCards());

}

return valueCounts.Count(i => i.Value == target);

}

判斷是否為順子的方法，簡單而直接，就是看間隔差是不是為1，或者最高點有A剩下的必須是10、J、Q、K，都算順子。

public float GetIsStraight()

{

var keys = GetCards().ToArray();

Array.Sort(keys);

if (keys[1] - keys[0] == keys[2] - keys[1] && keys[2] - keys[1] == keys[3] - keys[2] && keys[3] - keys[2] == keys[4] - keys[3] && keys[4] - keys[3] == 1)

{

return 1;

}

else if (keys[0] == 1 && keys[1] == 10 && keys[2] == 11 && keys[3] == 12 && keys[4] == 13)

{

return 1;

}

else

{

return 0;

}

}

載入數據

這次由於使用了ML.NET v0.2，該版本的LearningPipeline新增了一種支持集合類型的數據源。因此，我將示範一種全新的載入數據集的方法，先以文件載入元數據，然後直接初始化特徵的值。

static IEnumerable

LoadData(string path)

{

using (var environment = new TlcEnvironment())

{

var pokerHandData = new List

();

var textLoader = new Microsoft.ML.Data.TextLoader(path).CreateFrom

(useHeader: false, separator: ",", trimWhitespace: false);

var experiment = environment.CreateExperiment();

var output = textLoader.ApplyStep(null, experiment) as ILearningPipelineDataStep;

experiment.Compile();

textLoader.SetInput(environment, experiment);

experiment.Run();

var data = experiment.GetOutput(output.Data);

using (var cursor = data.GetRowCursor((a => true)))

{

var getters = new ValueGetter[]{

cursor.GetGetter(0),

cursor.GetGetter(1),

cursor.GetGetter(2),

cursor.GetGetter(3),

cursor.GetGetter(4),

cursor.GetGetter(5),

cursor.GetGetter(6),

cursor.GetGetter(7),

cursor.GetGetter(8),

cursor.GetGetter(9),

cursor.GetGetter(10)

};

while (cursor.MoveNext())

{

float value0 = 0;

float value1 = 0;

float value2 = 0;

float value3 = 0;

float value4 = 0;

float value5 = 0;

float value6 = 0;

float value7 = 0;

float value8 = 0;

float value9 = 0;

float value10 = 0;

getters[0](ref value0);

getters[1](ref value1);

getters[2](ref value2);

getters[3](ref value3);

getters[4](ref value4);

getters[5](ref value5);

getters[6](ref value6);

getters[7](ref value7);

getters[8](ref value8);

getters[9](ref value9);

getters[10](ref value10);

var hands = new PokerHandData()

{

S1 = value0,

C1 = value1,

S2 = value2,

C2 = value3,

S3 = value4,

C3 = value5,

S4 = value6,

C4 = value7,

S5 = value8,

C5 = value9,

Power = value10

};

hands.Init();

pokerHandData.Add(hands);

}

}

return pokerHandData;

}

}

其中PokerHandData類增加一個初始化的方法。

public void Init()

{

IsSameSuit = GetIsSameSuit();

IsStraight = GetIsStraight();

FourOfKind = GetFourOfKind();

ThreeOfKind = GetThreeOfKind();

PairsCount = GetPairsCount();

}

訓練模型

預測的結構定義，以計分為目標，float[]類型表示是對每一種牌型有一個得分，分值越高屬於那一種牌型的概率越大。

publicclassPokerHandPrediction{ [ColumnName("Score")]

publicfloat[] PredictedPower;}

模型的選擇是LogisticRegressionClassifier，CollectionDataSource就是用來創建集合類型數據載入的對象。而特徵的指定不再是全部欄位，而是之前增加的那幾個。

public static PredictionModel

Train(IEnumerable

data)

{

var pipeline = new LearningPipeline();

var collection = CollectionDataSource.Create(data);

pipeline.Add(collection);

pipeline.Add(new ColumnConcatenator("Features", "IsSameSuit", "IsStraight", "FourOfKind", "ThreeOfKind", "PairsCount"));

pipeline.Add(new LogisticRegressionClassifier());

var model = pipeline.Train

();

return model;

}

預測結果

首先，對預測的得分，我們需要判斷一個概率傾向。

static string GetPower(float[] nums)

{

var index = -1;

var last = 0F;

for (int i = 0; i

{

if (nums[i] > last)

{

index = i;

last = nums[i];

}

}

var suit = string.Empty;

switch (index)

{

case 0:

suit = "高牌";

break;

case 1:

suit = "一對";

break;

case 2:

suit = "兩對";

break;

case 3:

suit = "三條";

break;

case 4:

suit = "順子";

break;

case 5:

suit = "同花";

break;

case 6:

suit = "葫蘆";

break;

case 7:

suit = "四條";

break;

case 8:

suit = "同花順";

break;

case 9:

suit = "皇家同花順";

break;

}

return suit;

}

最後就是進行預測的部分了。

public static void Predict(PredictionModel

model)

{

var test1 = new PokerHandData

{

S1 = 1,

C1 = 2,

S2 = 1,

C2 = 3,

S3 = 3,

C3 = 4,

S4 = 4,

C4 = 5,

S5 = 2,

C5 = 6

};

var test2 = new PokerHandData

{

S1 = 4,

C1 = 5,

S2 = 1,

C2 = 5,

S3 = 3,

C3 = 5,

S4 = 2,

C4 = 12,

S5 = 4,

C5 = 7

};

test1.Init();

test2.Init();

IEnumerable

pokerHands = new[]

{

test1,

test2

};

IEnumerable

predictions = model.Predict(pokerHands);

Console.WriteLine();

Console.WriteLine("PokerHand Predictions");

Console.WriteLine("---------------------");

var pokerHandsAndPredictions = pokerHands.Zip(predictions, (pokerHand, prediction) => (pokerHand, prediction));

foreach (var (pokerHand, prediction) in pokerHandsAndPredictions)

{

Console.WriteLine($"PokerHand: | Prediction: { GetPower(prediction.PredictedPower)}");

}

Console.WriteLine();

}

創建項目的步驟請參看本文開頭導讀給出的文章鏈接，不再贅述，運行結果如下：

最後放出源代碼文件：https://files.cnblogs.com/files/BeanHsiang/pokerhand.zip

希望讀者們保持對ML.NET的持續關注，相信新的特性一定能實現更複雜有趣的場景。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！