Khảo sát và đánh giá các hướng tiếp cận lựa chọn đặc trưng trong bài toán đánh cờ có độ phân nhánh cao
Vol. 127 No. 2A (2018), Research Articles
Vol. 127 No. 2A (2018)

Khảo sát và đánh giá các hướng tiếp cận lựa chọn đặc trưng trong bài toán đánh cờ có độ phân nhánh cao

Research Articles
https://doi.org/10.26459/hueuni-jtt.v127i2A.4972
Published 2019-02-01
Quốc Công Đặng
Trường Đại học Khoa học - Đại học Huế
Bình Đăng Nguyễn
Trường Đại học Khoa học - Đại học Huế
Huy Quốc Nguyễn
Trường Đại học Sài Gòn

Abstract

Với sự gia tăng dữ liệu có độ phân nhánh cao, lựa chọn đặc trưng là một thành phần quan trọng của học máy cũng như công cụ phân tích dữ liệu. Không có lựa chọn đặc trưng, giá trị tính toán về phân tích dữ liệu lớn có thể trở nên khó kiểm soát, sự tương quan không xác thực và nhiễu. Điều đó làm giảm bớt độ chính xác của kết quả. Lựa chọn đặc trưng là loại bỏ thông tin không thích hợp và dư thừa dẫn đến phân tích dữ liệu nhanh hơn, đáng tin cậy hơn.

Bài báo khảo sát, đánh giá và thảo luận các công trình nghiên cứu lựa chọn đặc trưng bài toán đánh cờ có độ phân nhánh cao, trình bày những ưu, nhược điểm của các công trình nghiên cứu, từ đó đề xuất định hướng nghiên cứu lựa chọn đặc trưng cho cờ Connec-6.

https://doi.org/10.26459/hueuni-jtt.v127i2A.4972
PDF (Vietnamese)

References

  1. XU Chang-ming, Z.M.MA, Yu Chang-yong, XU Xin-he, (2013). A Pattern Based Incremental Model in K-in-a-row Games, P.939-944.
  2. Qiang Gao, Xinhe Xu, 2016. A Solving Strategy of Connect6 Based on K-in-a-row Types, IEEE, P.5041-5045.
  3. Amit Kumar Saxena, Vimal Kumar Dubey, (2015). A Survey on feature selection algorithms, ISSN: 2321-8169, P. 1895-1899.
  4. Francisco de Asis Boldt, Thomas W. Rauber and Flávio M. Varejão, (2015). Single sequence fast feature selection for high-dimensional data, IEEE, P. 697-704.
  5. Anthony Kleerekoper, Michael Pappas, Adam pocock, Gavin Brown, Mike Lujan, (2015). A Scalable Implementation of Information theoretic feature selection for high dimensional data, IEEE, P. 339-346
  6. Jung-Kuei Yang, Ping-Jung Tseng, (2016). Building connect6 Opening by using the Monte Carlo tree search, IEEE, P. 331-336.
  7. Jiao Wang, Tan Zhu, Hongye Li, Chu-Hsuan Hsueh, I-Chen Wu, (2015). Belief-state Monte-Carlo tree search for Phantom Games, IEEE, P. 267-274.
  8. Takahisa Imagawa and Tomoyuki Kaneko, (2015). Enhancements in Monte Carlo tree search algorithms for biased Game trees, IEEE, P. 43-50.
  9. M. Tan, I. W, Tsang, and L. Wang, (2014). Towards ultrahigh dimensional feature selection for big data, Journal of Machine Learning Research, vol. 15, pp. 1371–1429 .
  10. Huy Nguyen, Kokolo Ikeda, Simon Viennot (2014). Fast Optimization of the Pattern Shapes in Board Games with Simulated Annealing, Proceedings of the Sixth International Conference KSE 2014, pp. 325 – 337.
  11. Huang, S.-C. (2011). New Heuristics for Monte Carlo Tree Search Applied to the Game of Go, PhD Thesis, National Taiwan Normal University, Taipei, Taiwan, R.O.C.
  12. Silver, D. and Tesauro, G. (2009). Monte-Carlo simulation balancing, In A. Danyluk, L. Bottou, and M. Littman, editors, ICML, ACM, volume 382, P. 945-952.
  13. Loos, A. (2012). Machine Learning for k-in-a-row Type Games Using Random Forest and Genetic Algorithm, Master’s thesis, University of Tartu, Tartu.
  14. I.-C.Wuand S.-J.Yen, (2006). NCTU6 wins Connect6 tournament, ICGAJ., vol. 29, no.3, pp. 157–158.
  15. S.-J. Yen and J.-K. Yang, (2011). Two-Stage Monte Carlo Tree Search for Connect6, IEEE Transactions on Computational Intelligence and AI in Games, 3 , pp.100–118.
  16. S.-J. Yen, and J.-K. Yang, (2010). New Simulation Strategy of MCTS for Connect6, the 15th Game Programming Workshop (GPW-2010), Hakone Seminar House, Kanagawa, Japan. GPW-2010 Proceeding pp. 90-93.
Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Copyright (c) 2019 Array