Anàlisi de Poker Online.Jesús Nubiola Cervera

Què pretenem aconseguir?

Caracteritzar de manera molt acurada cada perfil de jugador de poker per així poder treballar desprès amb aquests perfils,

buscant punts forts i punts febles de cadascun d’ells.

Com ho fem?

DATASET 1 DATASET 2 DATASET 3 DATASET N

Clusterització

Clúster A

Clúster B

Clúster C

Sóncoherents els

clústers?

Busquempossibles errorsde joc en certsjugadors d’unmateix cluster

Keep searching

SI

NO

…

X-meansK-means

EM

Punt de partidaAtributs: +400Jugadors: 98.435Mans jugades: +22milions. Tipus de Joc: Texas Holdem NL50

Tenim molts atributs i registres.Passem a veure com comencem a organitzar i experimentar amb aquestesdades…..

Experiment 1

Disposem d’un DATASET molt gran amb dades molt disperses. Primer de totfarem una divisió, a criteri d’expert, en SubDATASETS amb jugadors amb mésde 1000 mans jugades donant lloc a 3344 Jugadors amb 40 atributs.

data11.csv --> VPIP 0-11 pfr 0-6 bb/100 +3 (63 registres)

data21.csv --> VPIP 0-11 pfr 0-6 bb/100 0-3 (57 registres)

data31.csv --> VPIP 0-11 pfr 0-6 bb/100 -0 (152 registres)

data12.csv --> VPIP 0-11 pfr 6+ bb/100 +3 (43 registres)

data22.csv --> VPIP 0-11 pfr 6+ bb/100 0-3 (31 registres)

data32.csv --> VPIP 0-11 pfr 6+ bb/100 -0 (52 registres)

data14.csv --> VPIP 11-18 pfr 0-6 bb/100 +3 (162 registres)

data24.csv --> VPIP 11-18 pfr 0-6 bb/100 0-3 (92 registres)

data34.csv --> VPIP 11-18 pfr 0-6 bb/100 -0 (279 registres)

data15.csv --> VPIP 11-18 pfr 6+ bb/100 +3 (291 registres)

data25.csv --> VPIP 11-18 pfr 6+ bb/100 0-3 (80 registres)

data35.csv --> VPIP 11-18 pfr 6+ bb/100 -0 (260 registres)

data17.csv --> VPIP 18+ pfr 0-6 bb/100 +3 (144 registres)

data27.csv --> VPIP 18+ pfr 0-6 bb/100 0-3 (67 registres)

data37.csv --> VPIP 18+ pfr 0-6 bb/100 -0 (417 registres)

data18.csv --> VPIP 18+ pfr 6+ bb/100 +3 (446 registres)

data28.csv --> VPIP 18+ pfr 6+ bb/100 0-3 (83 registres)

data38.csv --> VPIP 18+ pfr 6+ bb/100 -0 (627 registres)

Experiment 2

Després de fer un seguiment dels dos clústers realitzats, aquests són els atributs que més difereixen:

Observem que el perfil blau és un jugador poc selectiu y bastant passiu, pel contrari el vermell sembla més selectiu i algo més agressiu tot i que tots dos encaixen perfectament amb el perfil global de jugador perdedor

VPIP - Mitja: 29.9 VPIP - Mitja: 15.427

Experiment 2

Aquesta és la gràfica que ens ha permés, en certa mesura, detectar possibles fugues de diners, dins del joc d’alguns dels jugadors del clúster blau.

Per analitzar aquestes dades,subdividirem el perfil blau en dosperfils més: Perdedors iguanyadors.

BB/100

BB/100

Experiment 2

Conclusions:

VPIP similar en els dos perfils però diferencia important en el PFR, per tant, els perdedors han d’augmentar PFR en un 20% aproximadament.

L’acció Raise Two Raisers sembla determinant en el winrate dels guanyadors amb un 5%, a diferència del perfil perdedor que la realitza únicament en un 2’5% de les ocasions (JJ i Aks).

Anàlisi de resultats

• Sentiment de fracàs.

• Gran nombre de gràfiques il·lògiques.

• Falta de dades per a extreure el coneixementrealitzat.

• Massa ambiciosos amb el volum d’atributs.

• Cal detectar aquells atributs dels quals se’n tinguinsuficients mostres com per què no es vegininfluenciats per ratxes

Experiment 3

Amb intenció de resoldre els errors de l’experiment 2, fem una sel·lecciómés rigurosa dels jugadors a analitzar (10.000+ mans jugades) i eliminem instàncies amb atributs dispersos que infectin les mitges lògiques degut a ratxes.

El dataset se’ns redueix a 160 jugadors aproximadament i 20 atributs de cadascun d’ells.

Aplicarem algorismes de clusterització més complexes que X-means(EM).

Un cop més, intentarem trobar patrons de comportament en els jugadors de poker, i analitzar les possibles falles del joc.

Experiment 3

Preprocessem el dataset i eliminem, per mitjà de la funció removeWithValues, les instancies que tinguin ±10bb/100, a fi d’obtenir una distribució el més homogènia possible.

Detectem una clara ineficiencia de l’algorisme X-means i K-means per al nostre Dataset, així que usarem EM, provinent de l’estadística.

Després d’aplicar varies probes, concluim que la millor configuració per al nostre cas, és aplicar EM en base a 8 atributs dels 25 que disposem inicialment.

VPIP, PFR, 3Bet, Postflop, Agg_Xcent_, W$SF_Xcent_, WTSD_Xcent_, Won$atSD,

Flop CBet_Xcent_

Experiment 3Attribute 0 1 2 3

(0.39) (0.08) (0.11) (0.42)======================================================VPIPmean 15.8104 16.6432 8.5271 13.4455std. dev. 4.2926 5.8636 1.7952 3.5132

PFRmean 7.0189 7.6057 6.3873 4.8529std. dev. 2.4115 3.0021 1.1766 1.96

3Betmean 2.1357 2.3449 3.2835 1.4193std. dev. 0.8447 1.4122 0.8349 0.7724

Postflop Agg_Xcent_mean 27.9161 36.5292 21.992 21.2963std. dev. 2.4295 3.1751 5.5962 3.0462

W$SF_Xcent_mean 35.7584 41.3223 35.8681 31.5531std. dev. 1.8985 2.3984 3.1989 1.9467

WTSD_Xcent_mean 21.9111 21.6301 32.3026 22.4405std. dev. 2.8923 2.2878 4.769 2.4359

Won $ at SDmean 50.7832 48.3112 51.845 55.5973std. dev. 2.5343 2.7277 2.628 3.2139

Flop CBet_Xcent_mean 77.1029 87.6351 85.0199 68.4854std. dev. 11.682 4.6741 10.6176 13.3922

Hi han 2 clústers poblant quasi tota lazona de bb/100 (0 i 3).El altres 2 clústers semblen mésinteressants. Els aïllem per estudiar laseva distribució de winrate.Clusterització amb EM

BB/100

BB/100

Experiment 3Tot i que l’atribut BB/100 no s’ha tingut en compte al fer la clusterització es determinant en la separació de clústers.

Analitzarem el clúster negre,per l’interès que desperta el fetque tingui jugadors ambbeneficis i jugadors ambpèrdues.

Tot i tenir moltescaracterístiques similars, ja queestan en el mateix clúster,alguna cosa tindran elsperdedors que no els permetguanyar

Experiment 3Observacions:

El guanyador dobla el 3bet del perdedor.És molt mes agressiu en les accions Late i Blinds.

Conclusions:

El perdedor ha d’obligar-se arealitzar l’acció de 3bet el doblede vegades que les actuals. Ha de millorar la seva formade joc en posicions finals icegues.Finalment aconseguiráaugmentar el seu VPIP, quetambé el té a un nivellinsuficient.

Conclusions generals

S’ha de ser molt més rigorós en la preselecció d’atributs.

Tractar molt més les dades (preprocés) abans de llançar-se en la clusteritzció.

Hauríem aconseguit millors resultats escollint una modalitat més alta de joc (jugadors més bons i més metòdics) NL400++

Preguntes