SE Primer v2
ONNX-модель риска плохого финала в игре
2 мин чтения
Модель от akifcodexclaude для игры-кризиса в больнице с выборами: по поведению игрока она оценивает вероятность, что сессия закончится плохо. Это не нейросеть, а Pipeline(StandardScaler → LogisticRegression(class_weight="balanced")), экспортированный в ONNX; карточка и данные — на турецком.
Ключевые особенности
- Вход — 8 признаков: номер сцены, уровень, время решения, время до первого клика, число смен выбора, просмотр подсказки, число предыдущих рискованных выборов и рискованность текущего.
- Выход — вероятности классов
['0', '1']; приp ≥ 0.5игра вмешивается: наставник задаёт сократический вопрос, снимается 60-секундное давление, объяснения становятся глубже. - Обучение: 300 синтетических сессий / 1500 решений, разбиение по сессиям
GroupShuffleSplit, seed 13. - ONNX opset 17: вход
float32 [n, 8], выходprobabilities float32 [n, 2]; максимальное расхождение ONNX и sklearn —1.6e-07. - Явные ограничения: только для этой игры; нельзя оценивать людей, нанимать их или предсказывать реальные инциденты.
Пример
const s = await ort.InferenceSession.create('model.onnx');
const x = new ort.Tensor('float32', Float32Array.from([2, 2, 45, 12, 3, 0, 0, 1]), [1, 8]);
const p = (await s.run({ input: x })).probabilities.data[1]; // ≈ 0.88
Подробнее
ROC-AUC — 0.9594; recall — 0.897; precision — 0.8; accuracy — 0.88; Brier — 0.0845.AUC только на сценах 1–2 (раннее предупреждение) — 0.8864.
Данные в основном синтетические: 300 сессий / 1500 решений; реальных сессий мало.
Есть риск обратной связи, поэтому обучение идёт только на режиме сбора данных, где модель не влияет на игру; скорость браузера и устройства может искажать время решения.










Комментарии