مدل بیزی ۶۲ ناحیهای
یک مدل بیزی دیریکله-چندجملهای که تختهٔ دارت را به ۶۲ ناحیهٔ هدف تقسیم میکند، تنها با حدود ۵۰ پرتاب به بولزآی و به کمک الگوریتم EM میتواند پروفایل مهارت یک بازیکن را برآورد کند — بدون نیاز به هزاران پرتاب یا تجهیزات آزمایشگاهی [MOD].
۱. چرا مدل گاوسی کافی نیست
مدل کلاسیک (Tibshirani, Price & Taylor, 2011) پرتاب را یک توزیع نرمال دوبعدی حول نقطهٔ هدف با انحراف معیار $\sigma$ فرض میکند. این مدل زیبا و مفید است — و مبنای همهٔ توصیههای «کجا را هدف بگیرم» است:
| $\sigma$ | هدف بهینه |
|---|---|
| ۰ / ۵ mm | مرکز T20 |
| ۲۶٫۹ mm | T19، نزدیک مرز با ۷ |
| ۶۴٫۶ mm | پایین‑چپ بولزآی |
اما سه ضعف دارد:
- تقارن اجباری. خطای واقعی بازیکنان معمولاً بیضوی است، نه دایرهای — پراکندگی عمودی و افقی متفاوتاند (مقالهٔ ۲.۲۲: چرا دارت پایین میخورد).
- نیاز به دادههای مختصاتی. برای برازش $\sigma$ باید بدانید هر دارت کجا نشسته، نه فقط چند امتیاز گرفته.
- نادیدهگرفتن ساختار گسسته. امتیاز دارت پیوسته نیست؛ خروجی هر پرتاب عضوی از یک مجموعهٔ گسستهٔ ناحیههاست.
۲. ساختار ۶۲ ناحیه
تختهٔ استاندارد به این ناحیههای شمارشپذیر تقسیم میشود:
| گروه | تعداد | توضیح |
|---|---|---|
| تکهای داخلی | ۲۰ | بین بول خارجی و حلقهٔ ترپل |
| ترپل | ۲۰ | نوار ۸٫۰ mm |
| تکهای خارجی | ۲۰ (در برخی فرمولبندیها ادغامشده) | بین ترپل و دبل |
| دبل | ۲۰ | نوار بیرونی |
| بول داخلی | ۱ | قطر ۶٫۳۵ mm |
| بول خارجی | ۱ | قطر ۱۵٫۹ mm |
| خارج از تخته | ۱ | امتیاز صفر |
بسته به آنکه تکهای داخلی و خارجی جدا شمرده شوند یا نه، مجموع به ۶۲ ناحیهٔ هدف میرسد [MOD].
🔢 ابعاد مرجع: مرکز → ترپل ۱۰۷ mm · مرکز → دبل ۱۷۰ mm · قطر تخته ۴۵۱ mm · ضخامت سیم ۱٫۲۷–۱٫۸۵ mm.
۳. مدل دیریکله-چندجملهای
برای هر نقطهٔ هدف $t$، نتیجهٔ پرتاب یک متغیر چندجملهای روی ۶۲ ناحیه است:
چرا دیریکله؟ چون پیشین مزدوج (conjugate prior) توزیع چندجملهای است. یعنی پسین هم دیریکله میماند و بهروزرسانی پس از هر پرتاب صرفاً یک جمع ساده است:
این خاصیت است که تعداد پرتاب لازم را از هزاران به ~۵۰ فرو میکاهد: پیشین، دانش هندسی تخته را از پیش در مدل تزریق میکند و داده فقط باید آن را تنظیم کند.
۴. نقش الگوریتم EM
مسئله این است که ما نتیجهٔ پرتاب را میبینیم اما نقطهٔ فرود دقیق را نه (اگر امتیازدهی دستی باشد). این یک مسئلهٔ دادههای ناکامل کلاسیک است و الگوریتم Expectation-Maximization آن را حل میکند:
| گام | کار |
|---|---|
| E | با پارامترهای فعلی، توزیع احتمال نقطهٔ فرود پنهان درون ناحیهٔ مشاهدهشده را برآورد کن |
| M | پارامترهای پراکندگی را طوری بهروز کن که درستنمایی مورد انتظار بیشینه شود |
| تکرار | تا همگرایی |
نتیجهٔ عملی: حدود ۵۰ پرتاب به بولزآی بهعلاوهٔ الگوریتم EM برای برآورد قابلاتکای پروفایل مهارت کافی است [MOD].
۵. چرا هدفگیری بولزآی؟
بولزآی مرکز تقارن تخته است؛ پرتاب به آن، خطای بازیکن را بدون سوگیری جهتدار نمونهبرداری میکند. اگر به T20 پرتاب کنید، توزیع مشاهدهشده با ساختار نامتقارن ناحیههای اطراف (۵ و ۱ در دو طرف ۲۰) در هم میآمیزد و جداسازی «خطای شما» از «هندسهٔ تخته» دشوارتر میشود.
🟠 [PK] پروتکل عملی خانگی: ۵۰ پرتاب به بول، ثبت ناحیهٔ اصابت هر دارت (نه فقط امتیاز). سپس نقشهٔ حرارتی شخصی خود را بسازید (مقالهٔ ۵.۳) و هدف بهینهتان را از جدول $\sigma$ بخوانید.
۶. کاربردها
| کاربرد | توضیح |
|---|---|
| انتخاب هدف شخصیشده | بهجای «همیشه T20»، هدفی که امتیاز مورد انتظار شما را بیشینه کند |
| راهبرد فینیش | ترکیب با MDP (مقالهٔ ۵.۹) برای مسیر بهینهٔ چکاوت |
| سنجش پیشرفت | مقایسهٔ پسینهای دو دورهٔ زمانی |
| بازی مجموع-صفر | ورودی مدل نش (مقالهٔ ۵.۸)؛ مزیت راهبرد بهینه ۰٫۲–۰٫۶٪ در هر لگ، تا ۲٫۳٪ در بهترین از ۳۵ |
۷. محدودیتها
⚪ [GAP] مدل فرض میکند پرتابها مستقل و همتوزیع هستند. در واقعیت، خستگی (افت آرنج ۳٫۲° ± ۰٫۸ پس از ۹۰ دقیقه) و فشار مسابقه این فرض را نقض میکنند.
⚪ اعتبارسنجی بیرونی مدل روی دادههای واقعی نخبگان منتشر نشده است. برنامهٔ پژوهشی شمارهٔ ۱ (مدلسازی مهارت در سطح مختصات، در مقیاس بزرگ) دقیقاً برای پرکردن همین شکاف پیشنهاد شده است — امتیازدهی خودکار مختصات (x,y) میتواند میلیونها دارت تولید کند.
جمعبندی
- تخته به ۶۲ ناحیهٔ گسسته تقسیم میشود و نتیجهٔ هر پرتاب یک قرعهٔ چندجملهای است.
- پیشین دیریکله مزدوج است و بهروزرسانی را به یک جمع ساده تقلیل میدهد.
- الگوریتم EM نقطهٔ فرود پنهان را از ناحیهٔ مشاهدهشده بازسازی میکند.
- ~۵۰ پرتاب به بولزآی کافی است — نه هزاران پرتاب و نه دوربین ۴۸۰ هرتزی.
- مزیت مدل بر گاوسی: رهایی از فرض تقارن دایرهای و سازگاری با دادههای صرفاً ناحیهای.
- ⚪ فرض استقلال پرتابها زیر بار خستگی و فشار میشکند و اعتبارسنجی بیرونی هنوز انجام نشده است.
❓ پرسشهای متداول
۵۰ پرتاب واقعاً کافی است؟ برای برآورد اولیهٔ پروفایل پراکندگی بله [MOD]. برای ردیابی تغییرات ظریف در طول زمان، نمونهٔ بزرگتر لازم است.
چرا ۶۲ و نه ۸۲ ناحیه؟ بستگی به فرمولبندی دارد؛ ادغام تکهای داخلی و خارجی یا شمردن جداگانهٔ آنها عدد را تغییر میدهد. مدل مرجع ما ۶۲ ناحیه به کار میبرد.
تفاوتش با مدل گاوسی چیست؟ مدل گاوسی یک پارامتر $\sigma$ و تقارن دایرهای فرض میکند؛ مدل بیزی توزیع کامل روی ناحیهها را میآموزد و به تقارن مقید نیست.
برای اجرا به چه نرمافزاری نیاز دارم؟
بستهٔ darts در زبان R پیادهسازیهای مرتبط را فراهم میکند.
آیا نتیجه به من میگوید کجا را هدف بگیرم؟ بله — خروجی مدل را در تابع امتیاز مورد انتظار میگذارید و نقطهٔ بیشینهکننده را مییابید. برای $\sigma$ حدود ۲۶٫۹ mm پاسخ معمولاً T19 است، نه T20.
پیشین دیریکله را از کجا بیاورم؟ از هندسهٔ تخته و دادههای جمعیتی؛ در نبود آن، پیشین یکنواخت (α = ۱) نقطهٔ شروع محافظهکارانهای است.
📚 منابع
- Tibshirani, Price & Taylor (2011), JRSS-A 174(1):213–226 🔵 [MOD]
- Baird (2020), Journal of the Operational Research Society 71(6):1020–1037 🔵 [MOD]
- Haugh & Wang (2022), INFORMS Journal on Computing 34(5):2540–2551 🔵 [MOD]
- بستهٔ
dartsدر R 🟠 [PK]
🔗 مطالعهٔ بیشتر
- ۵.۱ مدل گاوسی · ۵.۳ نقشهٔ حرارتی شخصی · ۵.۸ تعادل نش · ۵.۹ فرآیند تصمیم مارکوف · ۵.۲ آیا همیشه تریپل ۲۰؟
جمعآوری شده توسط بابک آقایی | بر پایهٔ سیستم مرجع دانش دارت نسخهٔ ۴.۰ | بازبینی: ۱ اوت ۲۰۲۶