[发明专利]基于机器学习的Wordle预测方法

说明书

本发明公开了基于机器学习的Wordle预测方法，涉及游戏结果预测技术领域，其技术方案要点是：具体包括以下步骤：S1：数据预处理；S2：建立自回归时间序列模型(ARIMA)，对已经存在的数据进行分析，并预测未来一天的报告数量；S3：给予单词属性计算出相关性系数；S4：建立随机森林(RF)模型，确定最优模型的超参数，求出影响百分比的相关特征，根据特征的重要性进行排序，求出百分比；再利用最优模型，对EERIE一词的百分比进行预测；S5：采用高斯混合聚类模型对多个等级进行聚类，将样本分为三个标签，通过KNN算法模型对单词难度进行分类预测，最后确定给定单词的预测等级。该预测方法考虑了多种属性对报告分数百分比的影响，使相关性分析得出的结果更准确。

技术领域

本发明涉及游戏结果预测技术领域，更具体地说，它涉及基于机器学习的Wordle预测方法。

背景技术

Wordle是一款新兴的在线电子游戏，玩家需要在六次之内猜出一个指定的五字单词。由于Wordle的流行性，研究玩家报告分数百分比的变化、不同游戏模式对游戏难度的影响、预测未来某一单词报告分数百分比的变化等课题具有重要意义。

现有技术中还没有针对Wordle结果进行预测的方法。

发明内容

本发明的目的是提供基于机器学习的Wordle预测方法，该方法解决了背景技术中提到的技术问题。

本发明的上述技术目的是通过以下技术方案得以实现的：基于机器学习的Wordle预测方法，具体包括以下步骤：

S1：数据预处理；

S2：建立自回归时间序列模型(ARIMA)，对已经存在的数据进行分析，并预测未来一天的报告数量；

S3：给予单词属性计算出相关性系数；

S4：建立随机森林(RF)模型，确定最优模型的超参数，求出影响百分比的相关特征，根据特征的重要性进行排序，求出百分比；再利用最优模型，对EERIE一词的百分比进行预测；

S5：采用高斯混合聚类模型对多个等级进行聚类，将样本分为三个标签，通过KNN算法模型对单词难度进行分类预测，最后确定给定单词的预测等级。

进一步的，所述S1的具体步骤是：

S1-1：对数据进行归一化处理，即：

S1-2：对不合理的单词和数据进行删除、替换或修改。

进一步的，所述S2的具体步骤是：

S2-1：对自回归时间序列模型(ARIMA)时间序列预处理，包括平稳性检验和白噪声检验；

S2-2：通过确定模型的自相关阶数来确定选用的具体模型；

S2-3：通过残差检验来对模型进行验证；

S2-4：当模型拟合效果较好时，通过模型对报告结果数量进行预测；

S2-5：通过平均绝对误差和均方误差根来对模型进行评价；

其中平均绝对误差为：

均方误差根为：

进一步的，所述S3的具体步骤是：

S3-1：选取对报告分数百分比影响较大的单词属性来计算分数百分比的占比，选取5个单词属性，与玩困难模式的比率结合，组成6个维度，以此建立相关性分析模型；

S3-2：计算各个维度之间的相关系数，相关系数

其中s_x，s_y表示样本标准差：