使用ML.NET实现德州扑克牌型分类器
导读：ML.NET系列文章
本文将基于ML.NET v0.2预览版，重点介绍提取特征的思路和方法，实现德州扑克牌型分类器。
先介绍一下德州扑克的基本牌型，一手完整的牌共有五张扑克，10种牌型分别是：
1. 高牌，花色和点数同时没有相同的牌。
2. 一对，点数有且仅有两张相同的牌。
3. 两对，两张相同点数的牌，加另外两张相同点数的牌。
4. 三条，有三张同一点数的牌。
5. 顺子，五张顺连的牌。
6. 同花，五张同一花色的牌。
7. 葫芦，三张同一点数的牌，加一对其他点数的牌。
8. 四条，有四张同一点数的牌。
9. 同花顺，同一花色五张顺连的牌。
10. 皇家同花顺，最高点数是A的同花顺的牌。
这一次我们将使用逻辑回归模型，来训练数据完成我们想要的分类模型。
准备数据集
数据来源在Poker Hand Data Set，下载链接为：poker-hand-testing.data和poker-hand-training-true.data。内容类似如下：
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 ...
说明一下每一行的格式：
第1张花色，第1张点数，第2张花色，第2张点数，第3张花色，第3张点数，第4张花色，第4张点数，第5张花色，第5张点数，牌型
花色是1-4代表红心，黑桃，方块，梅花。点数1表示A，2-10保持不变，11表示J，12表示Q，13表示K。
特征分析
前几篇数据集的内容，基本上分割好就是特征了，这一次不同，每一行的数值仅仅是元数据，也就是说，通过五张牌的花色和点数值是不能直接和牌型形成一一对应的联系，需要先按本文开头介绍的10种牌型的描述，找到关键可数值化的字段。因此，我选择了这样一些字段：对子数，是否是三条，是否是四条，是否是顺子，是否同花。通过这5个字段值的组合，一定能判断出牌型。
于是，我定义出我想要的数据类型：
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表示点数，Power表示牌型，PairsCount表示对子数，ThreeOfKind表示是否是三条，FourOfKind表示是否是四条，IsStraight表示是否顺子，IsSameSuit表示是否同花。
判断是否同花，只需要比较S1-S5的值即可。
public float GetIsSameSuit() { if (S1 == S2 && S2 == S3 && S3 == S4 && S4 == S5) return 1; else return 0; }
判断其它几个特征，我需要一个通用方法，先统计出每一行的C1-C5，每种点数出现的次数。
static Dictionary<int, int> GetValueCountsOfCondition(IEnumerable<int> cards) { var dic = new Dictionary<int, int>(); foreach (var item in cards) { if (dic.ContainsKey(item)) { dic[item] += 1; } else { dic.Add(item, 1); } } return dic; }
然后再按特征涵义计算值。
public float GetFourOfKind() { return GetCountOfCondition(4); } public float GetThreeOfKind() { return GetCountOfCondition(3); } public float GetPairsCount() { return GetCountOfCondition(2); } private IEnumerable<int> 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); }
判断是否为顺子的方法，简单而直接，就是看间隔差是不是为1，或者最高点有A剩下的必须是10、J、Q、K，都算顺子。
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; } }
加载数据
这次由于使用了ML.NET v0.2，该版本的LearningPipeline新增了一种支持集合类型的数据源。因此，我将示范一种全新的载入数据集的方法，先以文件载入元数据，然后直接初始化特征的值。
static IEnumerable<PokerHandData> LoadData(string path) { using (var environment = new TlcEnvironment()) { var pokerHandData = new List<PokerHandData>(); var textLoader = new Microsoft.ML.Data.TextLoader(path).CreateFrom<PokerHandData>(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<float>[]{ cursor.GetGetter<float>(0), cursor.GetGetter<float>(1), cursor.GetGetter<float>(2), cursor.GetGetter<float>(3), cursor.GetGetter<float>(4), cursor.GetGetter<float>(5), cursor.GetGetter<float>(6), cursor.GetGetter<float>(7), cursor.GetGetter<float>(8), cursor.GetGetter<float>(9), cursor.GetGetter<float>(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类增加一个初始化的方法。
public void Init() { IsSameSuit = GetIsSameSuit(); IsStraight = GetIsStraight(); FourOfKind = GetFourOfKind(); ThreeOfKind = GetThreeOfKind(); PairsCount = GetPairsCount(); }
训练模型
预测的结构定义，以计分为目标，float[]类型表示是对每一种牌型有一个得分，分值越高属于那一种牌型的概率越大。
public class PokerHandPrediction { [ColumnName("Score")] public float[] PredictedPower; }
模型的选择是LogisticRegressionClassifier，CollectionDataSource就是用来创建集合类型数据载入的对象。而特征的指定不再是全部字段，而是之前增加的那几个。
public static PredictionModel<PokerHandData, PokerHandPrediction> Train(IEnumerable<PokerHandData> 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<PokerHandData, PokerHandPrediction>(); return model; }
预测结果
首先，对预测的得分，我们需要判断一个概率倾向。
static string GetPower(float[] nums) { var index = -1; var last = 0F; for (int i = 0; i < nums.Length; 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 = "一对"; break; case 2: suit = "两对"; break; case 3: suit = "三条"; break; case 4: suit = "顺子"; break; case 5: suit = "同花"; break; case 6: suit = "葫芦"; break; case 7: suit = "四条"; break; case 8: suit = "同花顺"; break; case 9: suit = "皇家同花顺"; break; } return suit; }
最后就是进行预测的部分了。
public static void Predict(PredictionModel<PokerHandData, PokerHandPrediction> 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<PokerHandData> pokerHands = new[] { test1, test2 }; IEnumerable<PokerHandPrediction> 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: {ShowHand(pokerHand)} | Prediction: { GetPower(prediction.PredictedPower)}"); } Console.WriteLine(); }
创建项目的步骤请参看本文开头导读给出的文章链接，不再赘述，运行结果如下：
最后放出源代码文件：下载
希望读者们保持对ML.NET的持续关注，相信新的特性一定能实现更复杂有趣的场景。
