Как подкинуть монетку в доте

Спасибо, что уделили время, надеюсь вам было интересно!

Если, вдруг, вы нашли какую-то ошибку, либо несоответствие в вопросах или ответах, то непременно сообщите об этом в комментариях!

Flipcoin | DOTA2 SCORE | CSGO SCORE | LOL SCORE | Dota2 items-U9FUN

×

CoinFlip Раундовый хеш: $ {info.hash} Идентификатор раунда: $ {info.id}

Ожидание

отменен

Случайно: $ {info.random}% Ключ: $ {info.secret_key} Билет победителя: $ {info.winner_ticket}

$ {цена (left_item_price)}

$ {left_item_number} элементов

$ {info.left_ticket.odds}%

TicketRange [$ {info.left_ticket.ticket_range.min}, $ {info.left_ticket.ticket_range.max}]

$ {Цена (ст.цена)}

$ {item.appid == 570? item.en_rarity_name: item.en_quality_name}

$ {цена (right_item_price)}

$ {right_item_number} товаров

$ {info.right_ticket.odds}%

TicketRange [$ {info.right_ticket.ticket_range.min}, $ {info.right_ticket.ticket_range.max}]

$ {Цена (ст.цена)}

$ {item.appid == 570? item.en_rarity_name: item.en_quality_name}

马上 参加

,

Automatic (Coin Flip) »? · Проблема № 546 · Arcana / node-dota2 · GitHub

перейти к содержанию Зарегистрироваться

• Почему GitHub? Особенности →
  • Обзор кода
  • Управление проектами
  • Интеграции
  • Действия
  • Пакеты
  • Безопасность
  • Управление командой
  • Хостинг
  • мобильный
  • Истории клиентов →
  • Безопасность →
• команда
• предприятие

.

В честь подбрасывания монет. Как скромный подбрасывание монеты может помочь… | Автор: Пол Тьюн

Статистика

Как скромный подбрасывание монеты может помочь с проблемами в науке о данных

Источник: Pexels

В 1953 году комикс Дональда Дака под названием «Перевернуть решение», написанный Карлом Барксом, предложил псевдофилософию называется флипизм. Предпосылка проста: для каждого перекрестка в жизни, требующего решения, выберите лицевую сторону монеты (орел или решку), подбросьте монету и затем примите решение, основываясь на результате подбрасывания монеты.Как изобретатель философии профессор Бэтти провозгласил:

«Жизнь — всего лишь авантюра! Позвольте флипизму обозначить вашу прогулку! »

К сожалению, в комиксе флипизм не сработал для Дональда. Подбрасывание монеты за каждое решение приводило к ряду неудач для бедного Дональда. По иронии судьбы, Дональд сумел преследовать шарлатана профессора Бэтти, обнаружив мошенничество за правой дверью на основе подбрасывания монеты, так что, возможно, в этой философии есть некоторые достоинства (или, что более вероятно, просто демонстрация власть автора).

Хотя я не обязательно защищаю жизнь, основанную на подбрасывании монеты, как оказалось, подбрасывание монеты и лежащие в основе статистические принципы, которые управляют подбрасыванием монеты, особенно эффективны в применении к некоторым проблемам, с которыми регулярно сталкиваются данные.

Рассмотрим три примера.

Модели сравнительного анализа

Представьте, что вы обучили свою модель машинного обучения, скажем, для прогнозирования рейтинга кликов для рекламы на веб-странице с учетом некоторой пользовательской контекстной информации.Вы используете некоторую информацию о своем пользователе, например, из какой страны он пришел, его демографическую информацию, целевую страницу, с которой он пришел, и ряд других функций. Если бы они были задействованы на вашей платформе, вы могли бы использовать функции, основанные на том, что они делали, когда они использовали платформу, для повышения производительности вашей модели.

Затем вы обучаете свою модель. Итак,

Какой самый простой тест вы могли бы использовать, чтобы узнать, работает ли ваша модель?

Примечательно, что любую обученную модель в этом сценарии нужно будет сравнить с простым подбрасыванием монеты.

Если мы назначаем орла и решку для клика и не клика по объявлению соответственно с вероятностью 50%, а затем случайным образом назначаем орла и решку для прогнозирования кликов по рекламе путем подбрасывания монеты, мы получаем случайный классификатор . Теперь цель любой обученной модели проста: она должна как минимум превзойти случайный предсказатель . Вот почему так важно измерить точность модели, а затем сравнить ее с точностью случайного предиктора (что в среднем будет с точностью 50%).

Мы можем пойти еще дальше: предположим, мы знаем, что исторический базовый CTR объявления составляет, скажем, 30%. Затем, используя метод монеты, описанный выше, мы теперь моделируем смещенную монету с 30% вероятностью выпадения орла, в противном случае — решки. Любая модель прогнозирования должна превзойти этот новый тест случайного предсказателя. Обратите внимание, что точность — не единственный показатель производительности; другие, такие как частота ложных срабатываний, точность и отзыв также могут быть использованы.

Мы видим, как это можно применить к любому сценарию предсказания бинарного класса, а рандомизированный предсказатель служит простой проверкой работоспособности: , если модель не может превзойти эталонный тест, пора вернуться к чертежной доске ,И наоборот, если он превзошел этот эталонный показатель, то мы хотели бы определить, насколько. Мы можем легко сделать это с помощью этого простого сравнения, будучи уверенными, что наша модель работает не случайно, а лучше, чем это.

Подсчет больших чисел

Подсчет всегда был стандартным направлением информатики с первых дней информатики. Одна заметная и важная проблема — это подсчет больших чисел и связанная с этим проблема определения размера (мощности) большого набора элементов, проблема, с которой сталкивается каждая современная система баз данных.

Предположим, у вас ограниченный объем памяти для работы, но вам нужно считать действительно большие числа. Более конкретно, рассмотрим сценарий, в котором вы ограничены 32-битным регистром и должны считать до чисел, превышающих 2³² -1 = 65 535. Такой сценарий преобладает в высокоскоростных сетевых маршрутизаторах, где подсчет должен выполняться в очень коротком временном окне в быстрой, но дорогой статической памяти с произвольным доступом (SRAM).

Один из приемов состоит в том, чтобы считать приблизительно , то есть ослабить требование о точном подсчете вместо подсчета с небольшой погрешностью.Обоснование здесь заключается в том, что когда вы имеете дело с большими числами, небольшая ошибка в виде отклонения на пару сотен по сравнению со значением в 100 миллионов не имеет большого значения для некоторых приложений, особенно приложений, где приблизительное число достаточно хорошее. быть действенным.

Простой алгоритм подсчета больших чисел выглядит следующим образом:

Чтобы увеличить счетчик, подбросьте честную монету, равную количеству, умноженному на текущее значение счетчика. Если монета выпадает каждый раз орлом, добавьте 1 на счетчик, в противном случае ничего не делайте.

Это известно как алгоритм Морриса , и он был изобретен Робертом Моррисом в Bell Labs в 1977 году.

Кажется достаточно простым, но как он работает?

Предположим, что счетчик в настоящее время находится на цифре 2. Теперь, чтобы увеличить, мы дважды подбрасываем справедливую, несмещенную монету, поэтому мы можем получить следующие перестановки:

HH, HT, TH, TT

, где H — для головок, а T — для хвостов. Согласно приведенной выше инструкции, мы увеличиваем только HH , фактически увеличиваясь только с вероятностью 0.25. Поскольку следующим состоянием счетчика будет 3, диапазон чисел, представленных счетчиком, составляет от 4 до 8 (с 8 включительно).

По мере увеличения значения счетчика мы можем видеть, что алгоритм просто сохраняет логарифм по основанию 2 диапазонов чисел, , т.е. 1, 2, 4, 8,… до бесконечности. Поскольку любое число N может быть выражено в терминах логарифмов, то есть log ₂ N, , то счетчик Морриса только сохраняет первое число log N, другими словами, показатель степени числа N .

Более тщательный анализ алгоритма Морриса, выполненный путем моделирования его приращений с течением времени как дискретного процесса рождения-смерти, был проведен Филиппом Флажолетом (который также ввел термин приблизительный подсчет в статье) ¹. Мы можем расширить алгоритм Морриса (если захотим), сохранив показатель степени экспоненты для еще больших чисел!

Еще один интересный лакомый кусочек связан с теоретическим анализом информации. Если нам нужны точные подсчеты для числа N , нам потребуется log ₂ N бит.Моррис предлагает счетчик, который использует log ₂ log ₂ N бит, таким образом сохраняя только экспоненту числа. Теперь мы видим, что масштаб увеличения памяти был бы намного (намного) медленнее, чем если бы мы хотели получить точное число.

В наши дни алгоритм Морриса был заменен улучшенными алгоритмами, такими как алгоритм HyperLogLog , который используется в современных системах баз данных и доступен в функциях приблизительного подсчета в диалектах SQL, таких как Presto и Snowflake.Однако алгоритм Морриса остается предшественником современных алгоритмов вероятностного подсчета и является одним из самых простых в реализации на практике.

Многорукие бандиты Бернулли

Проблема многоруких бандитов связана с проблемой максимизации ожидаемого вознаграждения среди множества конкурирующих вариантов, когда вознаграждение каждого варианта изначально неизвестно, но может быть обнаружено со временем. Этот термин относится к рядам игровых автоматов в казино, также известных как одноруких бандитов .

Шеренга одноруких бандитов. (Источник: Pexels)

В сценарии многорукого бандита игрок должен сыграть на нескольких игровых автоматах, чтобы выяснить, какой автомат со временем принесет наибольшее ожидаемое вознаграждение. Когда игрок только начинает игру, он не знает, какая машина со временем принесет наибольшее ожидаемое вознаграждение; если игрок сделал это, тогда использует правильный игровой автомат, играя исключительно на нем. Поскольку у игрока нет предварительных знаний, игроку нужно будет исследовать набор автоматов, чтобы со временем определить автомат, который дает наибольшее ожидаемое вознаграждение.

Таким образом, мы имеем общий случай разведки и эксплуатации в среде, где награды изначально неизвестны. Какую стратегию вы должны принять, и сколько исследований по сравнению с эксплуатацией вам потребуется? Слишком раннее использование — риск застрять в локальном максимуме; слишком много исследуйте, и вы никогда не сможете максимизировать ожидаемую награду, так как вы будете прыгать от одного варианта к другому.

Такой сценарий встречается для множества проблем в реальном мире: распределение портфелей, системы рекомендаций, оптимизация рекламы, показываемой пользователям, ранжирование результатов поиска и знакомства.Хотя на последнее заявление можно обидеться.

Интересно, что многие из этих проблем укладываются в рамки подбрасывания монеты. Давайте рассмотрим два варианта рекламы, которую мы хотим показать пользователю, с целью максимизировать рейтинг кликов. Мы развертываем оба варианта рекламы на нашей платформе, при этом 50% пользовательской базы видят вариант A, а остальные видят вариант B. Затем мы со временем хотим выделить больше пользователей, чтобы увидеть наиболее эффективный вариант.

Сценарий можно смоделировать следующим образом: когда каждый пользователь видит рекламу, клик, скажем, голов , на объявлении будет награда. Оба объявления A и B можно смоделировать как монеты с разной вероятностью подбрасывания. Наша задача состоит в том, чтобы сделать вывод о вероятности переходов по каждому объявлению, что, по сути, предполагает вероятности подбрасывания монеты для объявлений A и B. Мы также хотели бы знать, какой вариант является наиболее эффективным на основе этих вероятностей (которые могут быть используется в качестве основы байесовского A / B-тестирования).

Как только мы сможем это сделать, мы сможем выяснить, как распределить долю пользователей для наиболее эффективной рекламы. Тема стратегий распределения по-прежнему является областью активных исследований с несколькими хорошо известными предложениями решения, такими как алгоритм верхней границы уверенности² и выборка Томпсона³. Ознакомьтесь с реализацией этих алгоритмов Лилиан Венг здесь.

Мы можем расширить эту структуру на несколько объявлений. Формулировка многорукого бандита использовалась в качестве замены классического A / B-тестирования в различных компаниях, таких как Netflix.

Самое приятное то, что его можно применять не только к рекламе, но и к другим вещам! Вы, безусловно, можете расширить его, чтобы рекомендовать элементы и ранжировать набор результатов поиска; предостережение для обоих случаев заключается в том, что вам придется учитывать позиционную предвзятость при отображении элементов для пользователей в пользовательском интерфейсе. Его версия использовалась для ранжирования результатов поиска изображений на Canva и уже некоторое время находится в разработке. С тех пор он был заменен более мощными алгоритмами, но его было на удивление сложно победить!

.

Смотрите также

• 

  Как скрафтить призывалку босса в террарии король слизней

• 

  Как привязать к телефону доту

• 

  Что можно скрафтить в майнкрафт из материи

• 

  Как поднять свой ммр в доте 2

• 

  Как скрафтить диорит

• 

  Как скрафтить кровать в интернет

• 

  Что скрафтить из диорита

• 

  Как быстро поднять уровень аккаунта в доте 2

• 

  Как скрафтить редстоун

• 

  Как в дота 2 заденаить башню

• 

  Как скрафтить автошахтер