39％的准确性可能不那么令人印象深刻。但是，用这么少的数据研究18类分类问题也是很困难的，况且我们的模型相比零规则基线（ Zero Rule Baseline）获得了20个百分点的增益，它是为了猜测所有精灵宝可梦中最常见的类。表1列出了测试集上每类出现的频率，这为零规则提供了19.5％的精度。

　　表1：键入测试数据集的频率。

但是，如果我们预期机器有一天能成为这个星球的统治者，我们就不应该用这种笨拙的方法衡量它们。距离计算机有一天在「精灵宝可梦分类挑战」中打败我的小兄弟，还有很长的路要走。但往好的地方想，他们可能已经击败了我爹，但这是另一篇文章的主题啦。

参考文献

　　Bulbapedia. (2017) Type. Available from:

　　 bulbapedia.bulbagarden.net/wiki/Type (Date of access: 20/01/2017).

　　Go Game Guru. (2017) DeepMind AlphaGo vs Lee Sedol. Available from:

　　https://gogameguru. com/tag/deepmind-alphago-lee-sedol/ (Date of access: 07/Mar/2017).

　　Large Scale Visual Recognition Challenge.(2015) Large Scale Visual Recognition Challenge 2015 (ILSVRC2015). Available from:

　　 (Date of access: 20/01/2017).

　　Scikit-Image. (2017) Module: filters. Available from:

　　 lters.html#skimage.filters.sobel

　　(Date of access: 07/Mar/2017).

　　Tromp, J. & Farnebäck, G.(2016) Combinatorics of Go. Available from:

　　https://tromp.github.io/go/ gostate.pdf

　　Veekun.(2017) Sprite Packs. Available from:

　　https:// veekun.com/dex/downloads (Date of access: 20/01/2017).

　　Wikipedia. (2017a) Artificial Neural Network. Available from:

　　https://en.wikipedia.org/wiki/ Artificial_neural_network (Date of access: 07/Mar/2017).

　　Wikipedia. (2017b) Pokémon. Available from:

　　https://en.wikipedia.org/wiki/Pok%C3%A9mon (Date of access: 20/01/2017).

　　原文地址：https://jgeekstudies.files.wordpress.com/2017/03/soares_2017_neural-mon.pdf

©本文为机器之心编译，转载请联系本公众号获得授权。

　　?------------------------------------------------

加入机器之心（全职记者/实习生）：[email protected]

投稿或寻求报道：[email protected]

广告&商务合作：[email protected]