Статии със съдържание
Използвайки диаграми на измеренията, които възпроизвеждат общия брой направени залози, общата необходима сума на изразходваните средства и крайния външен баланс, Бог е наредил акцентът да бъде поставен върху два клъстера. Единият от тях, Клъстер 0, се характеризира с играчи, които създават безброй езера, но въпреки това губят. Други от тези потребители дори са поискали самоизключване от хазарта, признавайки, че са патологични комарджии.
Класификация на подобни отзиви
Методите за клъстеризиране често се използват за идентифициране и сортиране на обекти въз основа на сравнително сходство. В най-често срещания пример това се постига чрез групиране на обекти, подредени в многомерно пространство въз основа на определен параметър (напр. дефиниция или променлива). Данните могат да бъдат представени като вектори в получената матрица на близост, която включва по двойки сходства (или различия).
По-конкретно, с помощта на техники за машинно обучение, беше използван алгоритъм за гама клъстеризация, за да се анализират данни за поведението на посетителите на две казина в Лас Вегас, насочени към редовни клиенти. Получените данни ще бъдат използвани за идентифициране на групи потребители, които е най-вероятно да са патологични комарджии.
Следователно, беше проведен химичен анализ на времевата линия на целевите модификации на играта на всеки от тези потребители. Това ни позволи да измерим четири различни потребителски профила: основни играчи, отдадени играчи, редовни играчи и патологични играчи.
При високо качество, стъпките за предварителна обработка на предоставените данни бяха нормализирани, за да се коригира асиметрията. Това адаптира урока от предоставените данни и улесни използването на анализа на ключови детайли. За всеки времеви слой на потребителя бяха изчислени PC2 и PC3 и беше създадена диаграма на разсейване. Това направи възможно визуализирането на това как алопрейнингът се различава за всеки клъстер.
Откриване на проблеми с артелите
Анализът на времевата линия е често срещан метод за анализ на данни, за да се разкрие основната им структура. Той може да се използва за клъстериране, идентифициране на spin city bg аномалии и моделиране. Неговата полезност в регресионната динамика произтича от способността му да идентифицира и описва модели, които може да не са очевидни с прост регресионен анализ или невронни мрежи. Откриването на алгоритми за анализ на времевата линия обаче вероятно е сложно по няколко причини. Използването на алтернативни набори от характеристики, усъвършенствани методи за обработка и интерпретация на резултатите са важни съображения, които носят риск от неточни и подвеждащи резултати.
За да се отговори на този въпрос, наскоро беше разработен нов, базиран на машинно обучение (МО), авто-ирис, който анализира поведението при онлайн игри и идентифицира девиантни играчи. Авто-ирисът използва алгоритъм gamma k-means, за да идентифицира поведенчески модификации, свързани с предразположението на потребителя към целенасочени игри. В крайна сметка, той създава индекс на потребители, класифицирани като потенциално страдащи от проблеми, свързани с игрите.
Алгоритъмът k-means е предназначен да определи дали даден антиапекс в даден набор принадлежи към същия клъстер като други точки с подобни характеристики. Той може да разграничи клъстерите въз основа на вариацията в разпределението на индикатора в рамките на който и да е клъстер, като колкото по-голям е броят на подобните точки, толкова по-голяма е вероятността дадена точка да принадлежи към определен клъстер.
В скорошно проучване, алгоритъмът k-means gamma е използван върху данни за целево-ориентирани игри от европейски онлайн казина. Впоследствие, чрез предварително усъвършенстване, включително афереза на отклонения и нормализиране на данните, са идентифицирани четири клъстера. Те се характеризират с различни потребителски профили: такива, които предпочитат интензивни спомени, такива, които се стремят към постижения, такива, които облекчават стреса, и такива, които максимизират печалбата.
Тези поведенчески модели трябва да се използват за симулиране на поведението на играчите и подобряване на стратегиите за взаимодействие с клиентите. Например, масите за блекджек могат да бъдат коригирани, за да се коригират минималните залози въз основа на тенденциите в търсенето и рентабилността, докато програмите за лоялност могат доброволно да възнаграждават играчите въз основа на техните игрови навици. Например, играчите, които често играят дро покер, могат да предлагат бонуси за депозит в турнири, докато ентусиастите на слот машините могат да получават безплатни завъртания. Освен това, прогнозните модификации могат да повишат процента на задържане на инвеститорите и да въведат автоматизирани стратегии за задържане на клиенти.
Разбиране на местоположенията на потребителите
Чрез задълбочено разбиране на настроенията и поведението на потребителите, казината могат да правят корекции, за да увеличат максимално рентабилността, да подобрят безопасността и да предоставят персонализирана обратна връзка. Например, игра на блекджек може да използва обработка на данни в реално време, за да открива подозрителна активност и да предупреждава персонала. Междувременно, системи, базирани на изкуствен интелект, могат да персонализират офертите за всеки играч въз основа на неговите предпочитания и интереси към играта, увеличавайки ангажираността и намалявайки интереса на инвеститорите.
Освен това, моделите, базирани на данни, могат да идентифицират играчи с потенциална зависимост към видеоигри и автоматично да издават поръчки въз основа на съответната информация. Това позволява на казината да намалят отлива на клиенти и да подобрят бизнес резултатите си. Алгоритъмът „Балансирано итеративно намаляване и клъстериране с помощта на йерархии“ (BIRCH) е обещаваща антроподицея, която комбинира методи за йерархично клъстериране и разделяне, за да профилира поведението на потребителите в интерактивно казино.
Както при всеки алтернативен анализ на времеви редове, методите за клъстеризиране изискват задълбочено разбиране на изходните данни. В противен случай резултатите от клъстеризирането вероятно ще бъдат безполезни или фатално подвеждащи. Например, неправилната многовариантност на характеристиките, последващата обработка и многовариантността на алгоритмите за клъстеризиране могат да доведат до погрешни заключения за действията на играчите.
За да се избегне това, екипът от разработчици проучи различни набори от данни от различни европейски онлайн казина и анализира тяхното поведение. Наборите от данни преминаха през няколко фази на предварителна обработка, за да се оптимизира тяхната пригодност за UEBA приложения. Избраните алгоритми за клъстериране също претърпяха хиперпараметрична настройка, използвайки специално подбрани показатели. Целостта на клъстера за всеки от тези алгоритми беше визуализирана с помощта на синхронни графи за местоположение, които са подходящи за обработка на многомерни данни.
Беше проведен клъстерен анализ, използващ алгоритъма k-means, върху стандартизирани данни за характеристиките на всеки играч, което позволи идентифицирането на потребителски профили. За двата анализирани типа хазартни изображения беше наличен отдалечено различен клъстер, позволяващ идентифицирането на профили на инвеститорите, както следва: опитни играчи, отдадени играчи, редовни играчи и патологични комарджии. Това беше възможно благодарение на стандартизираните данни и внимателния подбор на характеристиките за клъстериране.