Clustering de Jugadores
de Tetris
Diana Lora
Introducción
● Análisis de comportamiento de jugadores de
Tetris a partir de sus movimientos tácticos.
○ 1 movimiento táct...
TetrisAnalytics
● Juego de Tetris sencillo.
● Al pasar del tiempo las
fichas caen más rápido
por el tablero.
● 7 piezas di...
Políticas de Generación de Trazas
● PosYTipoFichaARFF: guarda la posición de
la ficha actual, la acción, el tipo de ficha ...
Variables
● PosX, PosY: posición X e Y donde el
jugador ubica la pieza(enumerado).
● Rot: rotación de la ficha. Esta varia...
Pre-procesamiento de Datos
● Agregar ID de jugador(clase)
● Para el caso de dos movimientos
consecutivos(mismo jugador)
○ ...
● Inicialmente ignora la clase(id jugador) y
genera los clusters
● Número de clusters = número de jugadores
● Fase de prue...
Jugadores
● 3 jugadores reales
● 3 IAs
○ AlwaysRight: siempre ubica la pieza en el lado
derecho.
○ AlwaysLeft: siempre ubi...
Variable PosX
Característica PosX de ubicación de la ficha. Varía de x0 a x9. Donde x0 es la
posición más a la izquierda.
Experimentos con Weka Explorer
● Evaluación de movimientos tácticos
individuales
○ PosYTipoFichaARFF, Last4LinesARFF,
Esta...
Resultados
● Evaluación de Movimientos Tácticos
Individuales(error)
○ Last4LinesARFF: SimpleKMeans 44.15%, EM
48.46%.
● Ev...
Matriz de Confusión
Last4LinesARFF
2 Mov. Consecutivos
Comparación de algoritmos con
Weka Experimenter
● Comparación de los algoritmos con T-Test
pareado
● SimpleKMeans(t=50.05)...
Conclusiones y Trabajo Futuro
● La evaluación de movimientos tácticos
individuales no describe el estilo de juego del
usua...
Gracias
Próxima SlideShare
Cargando en…5
×

CoSECiVi'15 - Clustering de jugadores de Tetris

158 visualizaciones

Publicado el

Abstract. El análisis del comportamiento en el contexto de los videojuegos se ha convertido en una práctica muy popular debido permite obtener información vital de los jugadores. En modelos de negocio como los videojuegos Free-to-Play (F2P) esta información es importante para
aumentar el interés de los jugadores/clientes en el videojuego, la cantidad de jugadores y las ganancias obtenidas. De igual forma, también permite realizar mejoras en el diseño. En este trabajo se realiza análisis
de comportamiento de trazas del videojuego TetrisAnalytics. En éstas se encuentran los movimientos tácticos del jugador durante la partida, a las que se aplican los métodos de clustering SimpleKMeans y
EM(Expectation-Maximization) vía Weka.

Publicado en: Ciencias
0 comentarios
0 recomendaciones
Estadísticas
Notas
  • Sé el primero en comentar

  • Sé el primero en recomendar esto

Sin descargas
Visualizaciones
Visualizaciones totales
158
En SlideShare
0
De insertados
0
Número de insertados
2
Acciones
Compartido
0
Descargas
2
Comentarios
0
Recomendaciones
0
Insertados 0
No insertados

No hay notas en la diapositiva.

CoSECiVi'15 - Clustering de jugadores de Tetris

  1. 1. Clustering de Jugadores de Tetris Diana Lora
  2. 2. Introducción ● Análisis de comportamiento de jugadores de Tetris a partir de sus movimientos tácticos. ○ 1 movimiento táctico. ○ 2 movimientos tácticos consecutivos. ● Generación de modelo de comportamiento a partir de trazas de jugadores. ○ Diferenciar los jugadores a partir de las trazas generadas en las partidas ● Trabajo futuro ○ Ajuste dinámico de la dificultad.
  3. 3. TetrisAnalytics ● Juego de Tetris sencillo. ● Al pasar del tiempo las fichas caen más rápido por el tablero. ● 7 piezas diferentes ● Movimientos: izquierda, derecha, rotación y bajar. ● El juego finaliza cuando el jugador pierde. ● Genera binario con información de la partida
  4. 4. Políticas de Generación de Trazas ● PosYTipoFichaARFF: guarda la posición de la ficha actual, la acción, el tipo de ficha actual y siguiente. ● LastXLinesARFF: guarda la información de la política anterior y las X filas superiores no vacías del tablero. ● EstadoCompletoARFF: guarda todo el estado del juego(posición de la pieza, rotación, tipo, ficha siguiente y el estado completo del tablero (casilla libre=0, casilla ocupada=1).
  5. 5. Variables ● PosX, PosY: posición X e Y donde el jugador ubica la pieza(enumerado). ● Rot: rotación de la ficha. Esta variable es una enumeración con valores: r0, r1, r2, r3. ● NextPiece: pieza siguiente que saldrá a continuación(valor entero entre 0 y 6). ● Celda_X_Y: estado de cada celda concreta del tablero(celda vacía=0 o celda ocupada=1). ● TipoFicha: tipo de ficha. Enumerado p0, p1, p2, p3, p4, p5, p6.
  6. 6. Pre-procesamiento de Datos ● Agregar ID de jugador(clase) ● Para el caso de dos movimientos consecutivos(mismo jugador) ○ Duplicar las variables ○ Copiar instancia actual sin clase más instancia siguiente con clase
  7. 7. ● Inicialmente ignora la clase(id jugador) y genera los clusters ● Número de clusters = número de jugadores ● Fase de pruebas ○ Asigna las clases a los clusters basándose en la clase con mayor cantidad de instancias que se encuentren en dicho cluster. ○ Calcula la tasa de error de la clasificación. ○ Genera la matriz de confusión. Evaluación Clases a clusters de Weka
  8. 8. Jugadores ● 3 jugadores reales ● 3 IAs ○ AlwaysRight: siempre ubica la pieza en el lado derecho. ○ AlwaysLeft: siempre ubica la pieza en el lado izquierdo. ○ HardCodedTacticalAI: evalúa el tablero de acuerdo a su altura y el número de espacios para cada una de las 4 rotaciones posibles de la pieza, y selecciona la mejor ubicación.
  9. 9. Variable PosX Característica PosX de ubicación de la ficha. Varía de x0 a x9. Donde x0 es la posición más a la izquierda.
  10. 10. Experimentos con Weka Explorer ● Evaluación de movimientos tácticos individuales ○ PosYTipoFichaARFF, Last4LinesARFF, EstadoCompletoARFF ● Evaluación de 2 movimientos tácticos consecutivos del mismo jugador ○ PosYTipoFichaARFF, Last4LinesARFF, EstadoCompletoARFF
  11. 11. Resultados ● Evaluación de Movimientos Tácticos Individuales(error) ○ Last4LinesARFF: SimpleKMeans 44.15%, EM 48.46%. ● Evaluación de 2 Movimientos tácticos consecutivos(error) ○ Last4LinesARFF: SimpleKMeans 40.78%, EM 47.08%.
  12. 12. Matriz de Confusión Last4LinesARFF 2 Mov. Consecutivos
  13. 13. Comparación de algoritmos con Weka Experimenter ● Comparación de los algoritmos con T-Test pareado ● SimpleKMeans(t=50.05) ● EM(t=46.48)
  14. 14. Conclusiones y Trabajo Futuro ● La evaluación de movimientos tácticos individuales no describe el estilo de juego del usuario. ● La unión de movimientos tácticos consecutivos mejora la clasificación de los jugadores. ● Evaluar trazas con más de 2 movimientos tácticos consecutivos. ● Realizar clasificación de nuevas partidas de jugadores existentes. ● Realizar clasificación de nuevos jugadores.
  15. 15. Gracias

×