Evilom
57 lines
3.5 KiB
Markdown
57 lines
3.5 KiB
Markdown
# XeU6wBq9YisqjIk68CbcU5xKnqd
|
||
|
||
Source: https://fcnlycv6dd0w.feishu.cn/wiki/XeU6wBq9YisqjIk68CbcU5xKnqd
|
||
|
||
|
||
### 今日内容
|
||
**① 文献学习：XGBoost + SHAP 方法参考**
|
||
**②《实证操作手册》整理**
|
||
**③ Codex 业务skill制作**
|
||
|
||
> :mag_right:
|
||
重点学习了一篇使用** XGBoost 与 SHAP ****的足球比赛分析论文**：
|
||
**《足球比赛中防守突破检测的断点预测模型分析》 2025**
|
||
该论文研究的是**足球比赛**中的**突破防线**分析：
|
||
**什么样的空间结构、球员位置、速度和传球方式，会导致****进攻方突破防线****？**
|
||
而我们的研究是希望进一步识别：
|
||
**什么样的游戏机制变量，会影响****玩家综合投入****？**
|
||
因此，这篇论文虽然不是游戏领域研究，但可以作为“**复杂多人竞争场景 + 高维行为数据 + XGBoost + SHAP 解释**”的方法参考支撑。
|
||
### （一）论文的方法路径
|
||
该论文的整体方法路径可以概括为：
|
||
**业务问题定义 → 构造可计算标签 → 构建结构化特征 → XGBoost 预测 → SHAP 解释 → 回到战术含义**。
|
||
具体来看：
|
||
- 论文没有笼统研究“进攻效果”，而是将**突破防线**明确定义为可计算标签，即一次传球是否突破防线。
|
||
- 作者基于事件数据、球员追踪数据和比赛信息，构建了 189 个特征，包括球员位置、速度、防线间隙、空间控制等。
|
||
- **XGBoost 用于预测一次传球是否造成突破防线**，**适合处理多变量、非线性和变量交互关系**。
|
||
- **SHAP 用于解释哪些变量对突破防线更重要****，以及变量如何影响突破概率**。
|
||
- 最后，**作者将模型结果解释为具体的足球战术含义**，例如传球方向、进攻球员速度、防线间隙和空间分布等因素如何影响突破。
|
||
|
||
> [嵌入电子表格: UF5uswwP0hOhg6tftNBc...]
|
||
|
||
|
||
> :mag_right:
|
||
他们研究的是**体育竞赛**中的战术突破，我们研究的是**游戏竞赛**中的综合投入，
|
||
**场景不同，但**“**竞赛结构变量 → 机器学习识别 → SHAP解释机制**”的方法逻辑是相通的。
|
||
#### **（二）整理《XGBoost_SHAP实证操作手册》**
|
||
围绕后续 XGBoost / SHAP 实证分析，整理形成了一版可直接执行的操作手册
|
||
明天拿到正式数据后用于跑数的实证流程说明
|
||
**核心思路是：**
|
||
- 先将玩家行为和机制变量整理成玩家-活动期级建模底表
|
||
- 再用 XGBoost 识别七类机制变量与玩家综合投入之间的复杂关系
|
||
- 最后通过 SHAP 解释不同机制变量对玩家投入的贡献。
|
||
|
||
**手册源文件👇**
|
||
### **二、Codex 业务skill制作**
|
||
|
||
> :mag_right:
|
||
发现 Codex 在多轮对话中容易混淆业务文件角色，核心原因不是模型能力问题，而是**业务上下文复杂、文件角色多、流程规则没有被显式固定**。
|
||
**具体表现：**
|
||
**根本原因：**没有固定流程时，AI 靠"**最近说了什么、文件叫什么名字、上下文联想**"来判断该用哪个文件——**业务文件一复杂，上下文一朵就开始出错。**
|
||
|
||
> :right_anger_bubble:
|
||
解决方向：
|
||
**不是多聊，而是把固定任务封装成** **Skill / 工作流规则**，**让 Agent 接到某类任务时先按固定规则读取对应文件、理解文件角色、执行固定步骤。**
|
||
**Skill 一：埋点相关任务**
|
||
固定执行顺序：
|
||
**Skill 二：策划案相关任务**
|
||
固定读取逻辑： |