| Anotācija |
Darba ietvaros tiek pētīta krāpnieku klasifikācija šaušanas tipa datorspēlēs,
izmantojot mašīnmācīšanās algoritmus un spēlētāja darbības laika sērijas datus. Darba
mērķis ir praktiski analizēt un secināt par dažādu algoritmu piemērotību krāpšanas
atklāšanai, galvenokārt koncertējoties uz abu virzienu LSTM neironu tīklu un atbalsta
vektoru ierīču efektivitāti.
Datu iegūšanai tika izmantota autora veidota datorspēle, kurā ieviesa vairākas
reālistiskas krāpšanas metodes, piemēram, caursienu redze, automātiskais mērķētājs,
makro pogu pielietojums, ātruma manipulācija. Dati tika apkopoti, izmantojot laika
sērijas ar fiksētu intervālu un vairākas spēlētāju uzvedības metrikas (kustību pogu
piespiešanas brīžus, peles kustības, reakcijas laiks, slepkavību un nāvju attiecība u.c.).
Eksperimentu laikā tika izvērtēti algoritmi pēc 4 metrikām: pareizība,
precizitāte, patiesi pozitīvo klasifikāciju biežums (TPR) un nepatiesi pozitīvo
klasifikāciju biežums (FPR). Rezultāti abu virzienu algoritmam uz vairākām krāpšanas
metodēm bija 0.95 pareizība, 0.9545 precizitāte, 0.9 TPR, 0 FPR. Atbalsta vektoru
ierīču algoritms uzradīja augstāku jutību pret konkrētu iezīmju klātbūtni, un dažkārt,
pat veiktspēja uzlabojas, tos nepielietojot. Tā gala rezultāti: 0.95 pareizība, 0.9545
precizitāte, 1 TPR, 0.1 FPR , nepielietojot peles kustību dispersiju.
Darbā secināts, ka abu virzienu LSTM ir piemērotāks gadījumos, kad ir svarīga
godīgo spēlētāju pareizākā klasifikācija, jo tas retāk veica nepareizu godīgo spēlētāju
klasifikāciju. Gala secinājums darbā ir tāds, ka mašīnmācīšanās algoritmi ir noderīgs
rīks spēlētāju klasificēšanā, toties no tā vel nevajadzētu balstīt veselu sistēmu, kura
automātiski izslēgt spēlētājus no spēles vides. |
