南京大学/NJU AI导论 Alien 游戏

目的：使用多种模型比较效果优劣。

目前使用了 随机森林，逻辑回归，SVC，MLP 模型，收集了 44 局游戏数据。

特征矩阵 X 形状: (5195, 4032)
标签分布: {向左走: np.int64(1419), 向右走: np.int64(1017), 发射子弹: np.int64(2759)}

随机森林效果很差，一直往左走。猜测是数据不够，以及训练数据中左右标签不均匀对投票影响较大。训练集准确率：99.65%。严重过拟合，泛化能力极差。

逻辑回归会有左右摆头，但是闪避和打击效果都很差，更像是随机的。训练集准确率: 66.22%。
由于特征质量差，无法理解何时需要闪避（移动）或打击（射击），所以表现像随机的。

SVC 的训练时间很长，而且效果很差，只会一直发射子弹，不会动。训练集准确率: 59.35%。
多数类偏见的经典表现。SVC 在高维特征空间中训练困难，最终找到的决策边界最安全的选择就是预测“发射子弹”（53% 的样本），从而牺牲了少数类的准确性。

MLP 的训练时间较长，似乎存在一定的闪避效果，但是闪避次数太少。时间太长了就不计算准确率了。

---

目的：调整随机森林的参数以期解决过拟合问题。

特征矩阵 X 形状: (5195, 4032)
标签分布: {向左走: np.int64(1419), 向右走: np.int64(1017), 发射子弹: np.int64(2759)}

调整随机森林参数为 max_depth=10, min_samples_split=5，训练集准确率: 55.82%。
调整随机森林参数为 max_depth=15, min_samples_split=5，训练集准确率: 69.62%。
都有非常薄弱的闪避意识，但是表现出来更像是面对一个炸弹时会随机向左向右。

---

目的：改进特征质量

现有问题：

• 维度灾难： 将特征维度从 \(4032\) 维（原始像素独热编码）大幅降低。
• 语义缺失： 提取更有意义的相对位置和威胁紧急程度信息，从而解决模型在测试时无法泛化和躲避子弹的问题。

新的提取策略：
飞船与目标定位： 提取飞船当前的精确 \(X\) 坐标作为自身定位特征；同时，提取怪物所在行的列级独热编码（每列 \(1/0\)）作为射击目标特征。
威胁量化与闪避决策： 放弃原始像素，转而提取飞船周围三列（当前列和左右相邻列）中，最靠近飞船的炸弹的 \(Y\) 坐标。这个 \(Y\) 坐标值直接量化了威胁的紧急程度，有效指导模型进行精准闪避。
边界处理： 对超出游戏边界的列，赋予最大的 \(Y\) 坐标威胁值，将墙边编码为极度危险，鼓励模型远离边缘。

解决了训练速度问题： 维度从 \(4032\) 降至几十维，SVC 和 MLP 的训练时间得到数量级的提升。
解决了“紧急程度”问题： “炸弹的 Y 坐标”（即离飞船有多近）。模型现在可以学习：“如果左右侧的 Y 坐标值很高（距离近），则需要紧急向另一侧移动。”
解决了“边界处理”问题： 对于边界外的列，特征默认返回最大值 (len(grid)-1)。这个设计相当于告诉模型墙是不能走的。

特征矩阵 X 形状: (5195, 36)

四个模型的躲避能力都有显著提升，总体排序大致为：

逻辑回归= SVC（完美躲过所有炸弹） > MLP（投弹率0.2, lvl4下400步） > 随机森林（投弹率0.2, lvl4下300步）

但是，射击的精准度都很差，推测为训练数据设计准度太低导致的。

---

目的：提高设计精准度

问题：原来的特征提取函数都不包含射击时机的显式信息。

新的提取策略：
记录相对距离 (新增关键特征)： 计算飞船与怪物在 \(X\) 轴上的相对距离（\(\Delta X = X_{\text{alien}} - X_{\text{avatar}}\)）。

效果：SR 和 MLP 原本闪避就不行，所以先不管了。而 LR 闪避能力降低，设计精度提高；而 SVC 闪避能力还是很强，但是设计精度还是不行

通过改变 LR 的动作权重，闪避能力重新提高。

但是当只剩 1/2 个敌人时，两者的射击能力都不行。可以轻松度过前期，但很难终结游戏。问题在于目前的射击特征是所有怪物的相对距离。推测是当怪物稀疏时，大量的 \(0\) 向量淹没了有效信息。