我正在尝试构建一个非常简单的机器人，可以与其他机器人玩石头剪刀布（并且必须获胜）。
我选择的特征是我自己和对手之前的动作（我为每个具有真/假的节点创建了 3 个节点，因此之前的动作为 6 个节点）以及我是否赢得了上一轮。这使得总共有 7 个特征作为输入。<--- 请让我知道我是否正确设置了我的功能
现在我注意到的这 7 个特征可以相互关联，这样上一轮的走法和赢/输可以结合起来创建另一个特征（例如，我输了 + 对手使用了石头 = 对手再次使用了石头）。您认为哪种 AI 技术能最好地捕捉到这一点？神经网络或朴素贝叶斯......甚至是另一个？
朴素贝叶斯的幼稚之处在于它假设特征是独立的。也就是说，它没有看到“我输了，对手用了石头”；相反，它看到“我输了”，也看到了“对手用过的石头”。“我输了”本身没有用，“对手用过的石头”也没有用。所以朴素贝叶斯不会给你很好的结果。
NN 可能更适合一些，但我认为决策树可能是你最好的选择。作为奖励，您将了解决策树，这是一种比 NN 更有用的 AI 技术。
实际上，我认为 NN 非常适合解决这个问题。但我认为你当然需要更多的输入才能获得体面的比赛：你需要至少为几场比赛建模（即，“我玩/他们玩”不仅仅是一轮，而是过去n几轮，其中n至少，我不知道'，3或4）。
您可以争论是否需要“我赢了这一轮”输入：一方面，赢是从游戏中产生的，所以你并不严格需要它，但是“我玩了x又输了，所以下次我” ll play yor " 是一种可行的模式，如果你做了模型赢/输z，它会更容易上手。
这里的前提是有一个可以检测到的模式序列（不仅仅是对手打得R更多的统计偏差，P而且如果他们打*PR*S，他们经常P下一个打）。这让我觉得这是一个合理的假设，这是你应该能够用 NN 接受的那种模式。