1 当前成果

上图是对于AI级别为40级以下的对局结果统计图，横坐标是对于AI级与当前模型预测级别的差值，纵坐标是玩家的胜率。由图中可以看出，玩家胜率符合预测。当AI级别比预测级别高时，玩家胜率越来越低，反之玩家胜率会越来越高；当预测级别与AI级别级基本相同时胜率在0.5左右。下图是级别差与平局数量的关系，当预测级别与AI级别级别相同时，出现平局的次数也最多。

上图是AI级别为40级以上的对局结果统计图，统计结果反映该区间的胜负情况与级别差值无明显关系。对于该类对局，包含了真实的高等级玩家和越级挑战玩家，越级挑战的玩家由于预测级别往往较低，可以被认为是较为准确的预测。而对于高等级的玩家则难以预测。

该图反映了AI级别为40级以上的对局中，预测级别差与玩家胜利次数间的关系，由纵坐标可以看出，在该级别区间的对局数量很少，且玩家失败的概率远远大于玩家获胜的概率，这表示真正的高等级玩家非常少。

2 高等级玩家预测

对于高等级玩家的预测存在以下难点：

1. 高等级玩家数据非常少：玩家等级的预测依赖于数据，数据量的大小直接影响了预测的效果。由于玩家的等级无法显示，因此需要分析玩家与高等级AI的对局得到。此类对局的数量很少，且通过上文分析可知，其中大多数是越级挑战的玩家，真正的高等级玩家非常少。这为学习高等级玩家的行为特征带来了巨大的困难。
2. 高等级玩家之间的行为存在着较大的相似性：对于黑白棋的大多数局面，可选择的最优解往往很少，在一定等级上的高等级玩家都会选择相似的步骤，等级差异只会在某几个关键步骤上体现出来。
3. 高等级人类和AI之间的行为具有不同的特征：根据以往的研究，很难采用AI对战的方法来获取人类用户的行为特征。

基于代价敏感的考虑，没有必要对高等级玩家的预测，原因如下：

1. 高等级玩家占比很少，但预测消耗较大：通过上图分析可以看出，在40级以上能与AI打成平手或胜利的玩家寥寥无几，但预测此类玩家需要模型有更为细致的特征区分能力，即算法运算时间会增加，研发时间更长，当前投入无法得到相应的回报。
2. 模型的替代成本：当前模型对中低水平的玩家预测较为准确，绝大部分用户的级别都处于该区间。若继续开发高等级预测模型，一方面可能会导致对低等级的预测效果不如当前模型；另一方面可能需要推翻当前模型，成本较高。

因此，目前无需特意研究高等级玩家的级别预测。若日后高等级玩家增多，数据量较大时才存在研究必要。