原文：
www.kdnuggets.com/2017/09/neural-networks-tic-tac-toe-keras.html
"井字棋残局" 是我几年前用来构建神经网络的第一个数据集。当时我并不真正知道自己在做什么，因此效果并不是很好。由于最近我花了很多时间在 Keras 上，我想再次尝试这个数据集，以演示如何使用 Keras 构建一个简单的神经网络。
1. 谷歌网络安全证书 - 快速进入网络安全职业生涯。
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持你的组织 IT
该数据集，可在此处获得，是一个包含 958 种可能的井字棋残局板配置的集合，其中 9 个变量代表井字棋板上的 9 个方格，第十个类别变量指明描述的棋盘配置是否是玩家 X 的胜利（positive）或非胜利（negative）结局。简而言之，某个 X 和 O 的组合是否意味着 X 获胜？顺便提一下，井字棋的可能玩法有 255,168 种。
这里是数据的更正式描述：
py` 1. 左上方格：{x,o,b} 2. 上中方格：{x,o,b} 3. 右上方格：{x,o,b} 4. 左中方格：{x,o,b} 5. 中中方格：{x,o,b} 6. 右中方格：{x,o,b} 7. 左下方格：{x,o,b} 8. 下中方格：{x,o,b} 9. 右下方格：{x,o,b} 10. 类别：{positive,negative} ```py ````
如图所示，每个方格可以被标记为 X、O 或在游戏结束时留空（b）。变量到实际方格的映射见图 1。记住，结果是基于 X 是否获胜来决定的。图 2 展示了一个示例棋盘残局布局，随后是其数据集表示。
图 1. 变量到实际井字棋板位置的映射。
图 2. 示例棋盘残局布局。
py` b,x,o,x,x,b,o,x,o,positive ```py ````
为了使用数据集构建神经网络，需要一些数据准备和转换。以下是这些步骤的概述，以及在代码中进一步的注释。
-
将分类变量编码为数字 - 每个方格在原始数据集中表示为单一变量。然而，这对于我们的目的来说不可接受，因为神经网络需要具有连续值的变量。我们必须首先将 {x, o, b} 转换为 {0, 1, 2}。这将使用 Scikit-learn 的 LabelEncoder 类 和 预处理模块 来完成。
-
对所有独立的分类变量进行独热编码 - 一旦分类变量被编码为数字，就需要进一步处理。由于这些变量是无序的（例如，X 不大于 O），这些变量必须表示为一系列位等效值。这可以通过独热编码来实现。由于每个方格有 3 种可能性，因此编码需要 2 位。这将通过 Scikit-learn 的 OneHotEncoder 类 来完成。
-
删除每第三列以避免虚拟变量陷阱 - 由于 Scikit-learn 的独热编码过程为每个变量创建了与可能选项数量相等的列（根据数据集），因此需要删除一列以避免所谓的虚拟变量陷阱。这是为了避免冗余数据可能导致的结果偏差。在我们的情况下，每个方格有 3 个可能选项（27 列），可以用 2 列“位”来表示（我留给你确认），因此我们从新形成的数据集中删除每第三列（剩下 18 列）。
-
编码目标分类变量 - 与独立变量类似，目标分类变量也必须从 {positive, negative} 更改为 {0, 1}。
-
训练/测试集划分 - 这一点应该是可以理解的。我们将测试集设置为数据集的 20%。我们将使用 Scikit-learn 的 训练/测试集划分功能 来实现。
接下来，我们需要构建神经网络，这将使用 Keras 完成。请记住，我们处理后的数据集有 18 个变量用作输入，我们进行的是二元分类预测作为输出。
-
输入神经元 - 我们有 18 个独立变量，因此我们需要 18 个输入神经元。
-
隐藏层 - 确定每个隐藏层神经元数量的一个简单（或许过于简单）——也可能完全无意义——起点是经验法则：将独立变量的数量和输出变量的数量相加，然后除以 2。如果我们决定向下取整，这将给我们 9。那么隐藏层的数量呢？最好的办法是从少量（隐藏层）开始，逐渐增加，直到网络准确率不再提高。我们将创建一个包含 2 个隐藏层的网络。
-
激活函数 - 隐藏层和输出层神经元需要激活函数。一般规则规定：隐藏层神经元默认使用 ReLU 函数，而二分类输出层神经元使用 sigmoid 函数。我们将遵循惯例。
-
优化器 - 我们将在网络中使用Adam 优化器。
-
损失函数 - 我们将在网络中使用交叉熵损失函数。
-
权重初始化 - 我们将随机设置网络层神经元的初始随机权重。
以下是我们网络的最终外观。
图 3。 网络层的可视化。
这是执行上述所有操作的代码。
训练网络的最大准确率达到了 98.69%。在未见过的测试集中，神经网络正确预测了 186 个实例中的 180 个类别。
通过更改训练/测试划分的随机状态（这会改变用于测试最终网络的特定 20%的数据集实例），我们能够将其提高到 186 个实例中的 184 个。然而，这不一定是一个真正的指标改进。一个独立的验证集可能会对此有所启示……如果我们有的话。
通过使用不同的优化器（与 Adam 相对），以及更改隐藏层的数量和每个隐藏层的神经元数量，训练后的网络没有在损失、准确率或正确分类的测试实例方面超出上述报告的结果。
我希望这能为你构建 Keras 神经网络提供一个有用的介绍。下一个教程将介绍卷积神经网络的构建。
相关：
-
使用 R 和 Keras 进行深度学习
-
理解深度学习的 7 个步骤
-
深度网络架构的直观指南