Nova abordagem para previsão de erros em partidas de xadrez

Abstract

O jogo de xadrez é amplamente utilizado como objeto de estudo em diversas áreas do conhecimento, incluindo a computação. Um dos problemas abordados na literatura recente é a análise de tomada de decisão em partidas de xadrez. Dentre as diferentes estratégias de representação de posições do tabuleiro adotadas nos trabalhos anali- sados, nenhuma utilizou a representação através de grafos no problema de previsão de erros. O objetivo desse trabalho é desenvolver modelos de aprendizado capazes de prever se um jogador cometerá ou não um erro em uma posição de tabuleiro. Para tal, são propostos atributos baseados em grafos capazes de representar conceitos do jogo de xadrez de forma eficiente, atributos extraídos de metadados das partidas também são propostos. A qualidade dos atributos propostos foi validada através de testes empíricos, da condução de análises exploratórias, e do treinamento de modelos de previsão que utilizam tais atributos como entrada no processo de treinamento. Os resultados dos modelos treinados também foram comparados com resultados obtidos através de modelos de referência, propostos por um trabalho da literatura recente. A comparação mostrou melhoria geral na acurácia obtida pelos modelos treinados com os atributos desenvolvidos, validando a estratégia proposta de utilização de grafos para representação de posições de xadrez. Palavras-chave: Xadrez. Predição de erros. Grafos.

Chess is widely used as an object of study in many areas of knowledge, including computing. One of the problems addressed in recent literature is decision-making analysis in chess matches. Among the different strategies of representation of bo- ard positions adopted in the works analyzed, none used the representation through graphs in the problem of prediction of errors. The objective of the present work is to develop learning models capable of predicting whether or not a player will make a mistake in a board position. For this, graph-based attributes capable of efficiently representing chess game concepts are proposed, attributes extracted from game meta- data are also proposed. The quality of the proposed attributes was validated through empirical tests, the conduct of exploratory analyses, and the training of prediction models that use these attributes as input into the training process. The results of the trained models were also compared with results obtained through reference models, proposed by a recent literature study. The comparison showed an overall improve- ment in the accuracy obtained by the models trained with the developed attributes, validating the proposed strategy of using graphs to represent chess positions. Keywords: Chess. Error prediction. Networks.