德州扑克要素之三十七：数据的细化

Howard

德州扑克要素之三十七：数据的细化Howard已发表于2016年4月号《扑士》，转载请注明出处数据细化举例1：有个人的foldto 3bet数据是70%，他翻牌前加注3BB开锅，你在大盲上再加注到10BB，用9BB去投资，以求得赢回锅里的4.5BB。简单计算表明，敌人只需fold66.7%以上，你的打法就是直接盈利的，即使对手一跟注我们就毫无任何赢的可能性。70%大于66.7%，所以我们应该加注。有问题吗？有问题。软件帮我们统计出来，这个对手foldto 3bet 70%。这70%的意思是，此人之前所有遭遇3bet的时机，他100手牌有70手都弃牌了。这100手的情况是千差万别的：按位置分，有他在前位遭遇后位的3bet，有他在后位遭遇前位的3bet。他可能前者fold80%，后者fold50%。仅此一项，就使得我们的分析完全失效。按raise大小分，有时他遭遇小一点的3bet比如9BB，有时遭遇大一点的3bet比如12BB。他可能前者fold40%，后者fold90%。按照对手区分，有时他遭遇打得激进的人3bet，有时遭遇打法被动的人3bet。他可能前者fold50%，后者fold80%。更现实的情况是，这三种区分方式互相纠缠，比如：敌人在前位，遭遇后位的松凶选手的小3bet，弃牌率是55%；敌人在后位，遭遇前位的被动型选手的大3bet，弃牌率是95%。等等。回到我们刚才的问题，他虽然总体foldto 3bet的数据是70%，但是，如果细分，他在这种特定情况下（有位置，面对盲注的open，对手是我们这样一个偏松凶，3bet量居中10BB，有效筹码150BB），fold to3bet率可能已经低到了50%。我们只看到了70%的总体量，而忽视了50%的特定情况量，据此作出的结论，可谓大错。这就好比，我们到一个陌生城市，根据历史数据发现年度平均只有30天下雨，于是不带伞出门。其实，这个城市分旱季和雨季，旱季10.5个月，没有一天下雨；雨季45天里面，30天下雨。如果我们正好处在雨季，带伞出门则才是正确的决策。由此可见细化的数据是非常必要的。但是随之而来的有两个问题。第一，没有软件存在搜集整理这种细化数据的能力。目前市面上的软件还远远做不到这一步。第二，牌桌数据要真细分起来，其种类是海量的，乃至每个细化数据种类都无法搜集到有价值的样本量。刚才的例子，仅仅按照三个维度（位置、大小、对手类型）去进行区分，就可以多出至少8种细化数据。按照n个维度区分，哪怕每个维度只有两种，也会得到2^n个细分数据种类，这显然是太离谱了。既然没有软件替我们收集细化数据，而细化数据也多到压根无法收集，那怎么办呢？提出细化数据概念岂不是没用了吗？毕竟，在我的理念中，non-actionable的事情是不需要去关注的。还是有用的。能够撬动细化数据的杠杆，就是逻辑推理。比如，我们观察到他在有位置的时候，跟注3bet明显比没有位置的时候高。那么，我们绝对有理由相信，他在筹码较深时的跟注3bet频率比筹码较浅的时候也要高。因为一个对位置很敏感的玩家，一般对筹码深度也很敏感。再比如，他面对翻后打得不好的玩家，跟注3bet的概率很高，这时，在没有其他数据辅助的情况下，我们应该倾向于认为，此玩家在面对顶级高手时，应该以很高的频率弃牌给3bet。再比如，这个玩家在最近两次加注的时候，都遭遇3bet，都弃牌了。他在紧接着的下一手牌里面再次加注，这时候我们可以推断他此时跟3bet的概率大幅上升。毕竟，一个人在连续三次加注都被3bet打跑，看起来就会像个只会送钱傻瓜一样。在牌桌上你可以计算EV，但是，更直觉因此在潜意识指导我们行动的东西往往是情绪和自尊。没有人愿意看起来像傻瓜，所以这次他多半是准备好了要跟3bet的牌去加注的，或者牌力本身虽然不够强但他已经下定决心要跟无论任何人的3bet。很多类似这样的推理，在不知不觉中已经做了，因为太过信手拈来，导致我们没有意识到这其实也是经过了逻辑推理，而是把这种能力叫做直觉instinct。知名牌手也分成了“数学派”和“直觉派”，前者如ChrisFerguson、BillChen，后者如DoyleBrunson、JonnyChan。我则认为，所谓直觉，只不过是知识和经验积累到一定程度而形成的下意识的逻辑判断。很高级的人工智能或许能拥有类似上述的逻辑推理能力，就像战胜李世石的AlphaGo一样。但是，一般的计算机软件应该是做不到的，那些软件只会机械得累积和分析数据。所以，人类在扑克上的主观决策还是非常有用的，是一般的软件无法代替的。让我们幻想一下，如果我们真的能收集到极其详细的细化数据，也有对手足够多的牌手数，还能毫无偏差的执行计算出来的策略，这基本就做到了“把把正EV”的境界。正是因为这样的超人不存在，扑克才这么有魅力，毕竟，不完全信息的游戏，意味着残缺美，意味着我们必须学会livewith it.Zachary Elwood在他的Reading Poker Tells一书中提出了一个猜想。他认为，扑克桌上的每一个动作，每一句话，每一个眼神，理论上讲都可以被破译。他进而设想，如果有一台超级机器，能收集到关于对手的所有物理信息，包括心跳、肌肉紧张度、皮肤湿度、声音声调等等，那么这台机器就能在任何时间精确判断出对手的底牌。对手在拿到口袋对子22和33时的物理变化，或许人类无法区分，但是肯定还是有细微差异。我相信Elwood所说的。这其实也是细化数据的一个例子，是把细化数据推到极致后产生的巨大作用。我们当然无法在扑克桌上测量收集所有信息，于是，我们应该把精力放到那些最容易观察，或者分类后最容易对我们的行为产生影响的信息。以前述foldto 3bet为例，可能最容易收集的信息就是敌人对位置的敏感度。因为每一手牌，位置都是显而易见的。而且位置一定是对敌人很重要的信息。因此，细分位置的信息，就很重要。至于筹码量的信息，稍微次之。不是说筹码量不重要，是说它使用起来不方便。一是收集比较困难，现场桌需要伸着脖子去仔细看。二是容易出现偏差，比如三人进锅，一个100BB，一个200BB，一个300BB。那么，这个筹码量应该是按多少算呢？我们认为该按照200BB，但是没准敌人盯着的是100BB的那个最短筹码。所以，按照筹码量的细分重要性应该排在位置之后。按照对手风格的细分，应该排在筹码量的后面。因为人的风格是个主观因素，同一个对手，可能我们认为打得很好，敌人却认为打得很差。这类无法统一的因素会造成极大障碍。细分是好事，但不可过于追求完美，要抓其主干，漏过其余。

maomaobiao

如今大数据的概念被吹的很火爆，但是仔细研究发现，其实是从传统的数据分析、数据结构和数据处理演变而来的，本质上“大”就是吹捧的噱头而已吧。不得不承认的是计算机领域的进步推动了数据分析处理的进步。这篇数据的细分就很有意思，属于人工智能处理大数据的雏型。火花的描述很好地说明了德扑的数据模型复杂程度。火花提到的数据还只是输入端的，在一个输出端的数据模式下，德州的复杂性同样叹为观止。数据的细化，进一步就是数据分类和数据结构，火花的这个思路是很好的启示。对于人工智能和机器学习有很好的借鉴意义。

maomaobiao

抓住主干，漏掉其余，就是数据相关性的分析。人脑的逻辑推理能力在很短的时间内能判断数据的相关性，也是很神奇的。

maomaobiao

我最近在想德州的输入端数据中，人的脾气性格和输出端的行为数据，是否存在必然的逻辑因果相关性，这样的相关性是否存在线性的映射，还是非线性的。因为现在的神经网络对应的映射方式任然是线性的，也方便多重叠加。对于非线性的映射方式，神经元网络是怎么构建的，我仍不了解。算是记个笔记方便以后思路的延续。

扑克要素练习

优秀的霍老师，这么聪明的大脑 贡献给我们知识， 而不是用在撕逼上

keybattle

HM2通过添加filter 大部分细分都分得出来。。。

BTCD

坚持，争取像易中天那样写一遍中华史出场了，他说要写36本霍大师也写36来坐等，一定捧场，82老师最近好像也要出书了，都是无私不差钱的大神啊

BTCD

请问霍达师打什么级别的，我这2/4的是否可以跟你学，你的微信是啥，有空可以德扑圈切磋一下相互找找漏洞啥的

BTCD

等我升级到10/20盈利了一定给霍大师宣传，此贴为据