Evilom
37 lines
4.9 KiB
Markdown
37 lines
4.9 KiB
Markdown
# 2026.06.17-日报-莫润麟
|
||
|
||
2026.06.17-日报-莫润麟### 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**
|
||
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：
|
||
- **先定义因变量**- 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。- **再构造特征变量**- 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。- **使用 XGBoost 建模**- **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**。- **使用 SHAP 解释模型**- **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**。- **回到业务解释**- 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。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。[图片: 图片为qa:image11<qa:image></qa>为《XGBoost_SHAP实证操作手册》主流程图，数据到位后直接按流程执行。流程包含11个步骤，从输入数据准备>]**手册源文件👇**
|
||
### **二、Codex 业务skill制作**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：**
|
||
- Agent 聊着聊着开始把埋点表当实际数据用，把3月有的字段默认5月也有- 策划案里的规则和后来修正过的变量口径混在一起说- **文件越多、对话越长，串台越严重**> **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。**
|
||
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：
|
||
- **先看埋点表** — 埋点表是字段字典/指标口径，代表活动已有的全部埋点定义，不是实际数据- **再看3月/5月数据** — 判断哪些字段实际有数据、哪些缺失、字段是否可用- **区分有无数据** — 埋点表有定义 ≠ 数据里实际有；5月有还需判断样本是否稳定- **变量构建时同时核查六项**：理论机制是否匹配 / 字段是否真实存在 / 3月5月是否都有数据 / 是否与因变量重叠 / 是否有足够样本变化 / 是否能用于 XGBoost/SHAP
|
||
**Skill 二：策划案相关任务**
|
||
固定读取逻辑：
|
||
- **识别活动规则结构** — 报名、匹配、赛季、联盟、阵营、积分、奖励、排行、限制条件- **抽象机制** — 对应七机制（补偿性、公平性、激励性、互补性、私有性、互动性、流动性）- **判断可观测行为** — 规则里哪些行为可被数据捕捉，如参战、派遣、捐献、鼓舞、竞猜、领奖、兑换、协作- **最后才映射埋点字段** — 不能从策划案直接跳到变量，必须经过完整链路：**规则 → 机制 → 行为 → 埋点字段 → 数据可用性**
|
||
|
||
---
|
||
*Source: feishu doc PHwIdFwThoiT70xFGvKcx7SWnpe*
|