TrueSkill: Rekabetçi Sıralamalar İçin Bayesçi Beceri Derecelendirme
TrueSkill Bayesian Skill Rating · Ayrıca şöyle bilinir: Bayesian Skill Rating, TrueSkill Ranking System, Gaussian Skill Model, Beceri Derecelendirme Modeli
TrueSkill, Herbrich, Minka ve Graepel tarafından Microsoft Research'te geliştirilen ve NeurIPS 2006'da tanıtılan Bayesçi bir beceri derecelendirme sistemidir. Her oyuncunun becerisini, bir ortalama (tahmini beceri) ve bir varyans (belirsizlik) ile parametrelendirilen bir Gauss dağılımı olarak temsil eder. Her maç sonucundan sonra sistem, yaklaşık mesaj geçirme yoluyla bu dağılımları günceller, bu da takım oyunlarını, beraberlikleri ve çevrimiçi ortamlardaki kısmi gözlemleri ele alan ilkeli bir sıralama sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
TrueSkill, çevrimiçi rekabetçi oyunlar, turnuva eşleştirmeleri veya akran değerlendirme sistemleri gibi kısmi, gürültülü ikili sonuçlardan oyuncuları veya takımları sıralamanız gerektiğinde uygundur. Temel varsayımlar Gauss beceri dağılımlarını, zamanla durağan olan sonuç gürültüsünü ve maçlar arasındaki bağımsızlığı içerir. Her yeni sonuçla çevrimiçi güncellemeler için uygundur. Becerilerin unutma mekanizması olmadan zamanla hızla kaydığı, verilerin güçlü konumsal veya bağlamsal karıştırıcılar içerdiği veya tek oyunculu bire bir ayarlar için daha basit bir Elo derecelendirmesinin yeterli olduğu durumlarda TrueSkill'den kaçının.
Güçlü yönler & sınırlılıklar
- Klasik Elo'nun kesinlikle ikili olmasına karşın, çok oyunculu ve takım tabanlı maçları yerel olarak ele alır
- Belirsizliği açıkça ölçer: yeni oyuncular yüksek varyansla başlar ve kanıt biriktikçe bu azalır
- Yapay galibiyet/mağlubiyet dönüşümlerinden kaçınarak, ilkeli bir marj parametresi aracılığıyla beraberlikleri destekler
- Beklenti Yayılımı yoluyla verimli çevrimiçi güncellemeler, büyük oyuncu havuzları için bile hesaplamayı yönetilebilir tutar
- Ağır kuyruklu veya çok modlu oyuncu yetenek profillerini yakalayamayabilen Gauss beceri dağılımlarını varsayar
- Güncelleme olmadığında: öğrenme gerçekleşmez, sistem önsel dağılımlara yakınsar ve beceri tahminleri giderek eski hale gelir.
- Beklenti Yayılımı bir yaklaşımdır; tam grafik model üzerindeki kesin Bayes çıkarımı büyük takımlar için çözülemezdir
- Verilerden kalibre edilmesi her zaman kolay olmayan β (performans gürültüsü) ve beraberlik marjı ε'nun ayarlanmasını gerektirir
SSS
TrueSkill Elo derecelendirmesinden nasıl farklıdır?
Elo, her oyundan sonra tek bir skaler puan atar ve sabit bir K-faktörü ile günceller. TrueSkill, oyuncu başına tam bir Gauss dağılımı (ortalama ve varyans) tutar, bu da belirsizliği ölçmesine, daha fazla veri geldikçe bu belirsizliği azaltmasına ve çok oyunculu ve takım maçlarını ele almasına olanak tanır. Elo, ek uzantılar olmadan takım oyunlarını veya beraberlikleri yerel olarak destekleyemez.
Muhafazakar sıralama μ − 3σ ne anlama geliyor?
Oyuncuları yalnızca ortalama beceriye göre sıralamak yerine, TrueSkill görüntülenen sıralama olarak μ − 3σ kullanılmasını önerir. Bu, yüksek belirsizliğe sahip oyuncuları (az sayıda oyun oynanmış) cezalandırır, böylece yüksek erken ortalamaya sahip yeni bir oyuncu, iyi tahmin edilmiş beceriye sahip bir gaziden daha üst sırada yer almaz. Gauss beceri tahminine yönelik sıkı bir güven aralığıdır.
TrueSkill ikiden fazla takımı ele alabilir mi?
Evet. Faktör grafiği formülasyonu, doğal olarak herhangi bir sayıda takıma ve herhangi bir takım boyutuna genelleşir. Her oyuncu, performans çekilişini takımının birleşik performansına katkıda bulunur ve sonuç olasılığı tüm takım performanslarını ortaklaşa karşılaştırır. Bu, ikiden fazla rakip söz konusu olduğunda ikili karşılaştırmaların sıralı olarak yaklaştırılması gereken Elo'ya göre temel avantajlardan biridir.
Kaynaklar
- Herbrich, R., Minka, T., & Graepel, T. (2007). TrueSkill: A Bayesian skill rating system. Advances in Neural Information Processing Systems, 19, 569–576. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). TrueSkill Bayesian Skill Rating. ScholarGate. https://scholargate.app/tr/decision-making/trueskill
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesci Çıkarımİstatistik↔ karşılaştır
- Bradley-Terry ModeliKarar verme↔ karşılaştır
- Elo Derecelendirme SistemiKarar verme↔ karşılaştır