Usando la Regresión Simbólica para Agregar Incertidumbre al Famoso Sistema de Puntuación de Elo
Usando Regresión Simbólica para agregar incertidumbre a Elo'
Y creando un algoritmo de calificaciones inesperadamente útil
![Foto de JESHOOTS.COM en Unsplash](https://miro.medium.com/v2/resize:fit:640/format:webp/1*cZAnQR3OkETxy74qenxXsA.jpeg)
Un Sistema Universal de Calificaciones
El sistema de calificaciones Elo se ha vuelto famoso en algunos contextos. Quizás el más conocido, ha sido la base de las calificaciones de Ajedrez desde la década de 1960. Además, el sitio web 538 ha utilizado con éxito modificaciones del sistema para la mayoría de sus calificaciones deportivas conocidas. Menos públicamente, muchos desarrolladores de videojuegos utilizan variaciones del sistema Elo en sus sistemas de emparejamiento. Si estás leyendo este artículo, asumiré que tienes cierta familiaridad con el sistema. ¿Por qué se usa tanto en tantos contextos? Yo argumentaría que es debido a su escalabilidad computacional, versatilidad y simplicidad. Sin embargo, existen algunas desventajas. En este artículo, abordaremos una muy importante, manteniendo las ventajas mencionadas anteriormente.
Regresión Simbólica
Mientras los Modelos de Lenguaje Grande están acaparando toda la atención (juego de palabras intencionado), existen otros modelos emocionantes que se están desarrollando por separado con casos de uso muy diferentes. La regresión simbólica normalmente es adecuada para descubrir reglas analíticas en forma cerrada en lugar de abordar una tarea de aprendizaje profundo como clasificar una imagen o traducir una grabación de audio. Si quisieras redescubrir la ley de enfriamiento de Newton, por ejemplo, podrías construir una red neuronal densa intensiva en recursos. Esto funcionaría bien con suficientes datos, pero no sería capaz de generalizar a situaciones que no haya visto. Sin embargo, la regresión simbólica sería la herramienta adecuada para la tarea. Puede encontrar la fórmula exacta con datos limitados y, por lo tanto, no solo generalizar, sino también ahorrar bastante en cómputo. Uno de mis artículos favoritos de todos los tiempos, escrito por Cranmer et al., profundiza en esto aún más y desarrolla incluso una ecuación previamente desconocida para la sobredensidad de la materia oscura.
El Problema
Las calificaciones clásicas de Elo tratan cada calificación como igualmente cierta. Esta suele ser una suposición pobre para un sistema de calificaciones a gran escala. En pocas palabras, los recién llegados a un sistema de calificaciones casi siempre deben ser modelados con una mayor varianza que aquellos que han estado presentes durante un tiempo. De manera similar, los jugadores que el sistema de calificaciones no ha visto durante un largo período de tiempo…
- *args, **kwargs y todo lo demás en medio
- Barry Diller vs. IA Generativa Batalla Legal de Derechos de Autor
- Una forma más rápida de enseñar a un robot
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- NotebookLM Cuaderno de IA Experimental de Google para un Aprendizaje e Insight Mejorados
- Conoce a PolyLM (Polyglot Large Language Model) un modelo de lenguaje multilingüe de código abierto entrenado con 640B Tokens, disponible en dos tamaños de modelo 1.7B y 13B.
- Principales herramientas/plataformas de Visión por Computadora en 2023
- 10 Startups de IA en la Región de APAC para seguir
- Herramientas/Plataformas principales de análisis predictivo (2023)
- Probador virtual de gafas con JavaScript
- Construyendo una WebTV de IA