本文將會介紹打磚塊 Machine-Learning 上會運用到的相關功能。

Frame = []
Status = []
Ballposition = []
PlatformPosition = []
Bricks = []

for i in range(0,len(data_list1)):
    Frame.append(data_list1[i].frame)
    Status.append(data_list1[i].status)
    Ballposition.append(data_list1[i].ball)
    PlatformPosition.append(data_list1[i].platform)
    Bricks.append(data_list1[i].bricks)

for i in range(0,len(data_list2)):
    Frame.append(data_list2[i].frame)
    Status.append(data_list2[i].status)
    Ballposition.append(data_list2[i].ball)
    PlatformPosition.append(data_list2[i].platform)
    Bricks.append(data_list2[i].bricks)

for i in range(0,len(data_list3)):
    Frame.append(data_list3[i].frame)
    Status.append(data_list3[i].status)
    Ballposition.append(data_list3[i].ball)
    PlatformPosition.append(data_list3[i].platform)
    Bricks.append(data_list3[i].bricks)

上面程式碼是將，我們抓下來的資料將存入訓練的Data中，再將這個Data放入 Sklearn 來分類做訓練，但是這個部分就要非常注意，因為你抓下來的資料可能是失敗的，所以必須要在資料中做個分析，但是現在本人的資料分析有點狀況，有點不方便貼上，我這邊會再度做一次修改，會再進行跟各位介紹。

當分析完畢以及放入的資料如果是正確的，那就可以將資料利用 Sklearn 來做分類及訓練。

from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test = train_test_split(x, y, test_size = 0.2, random_state = 41)

from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score
knn = KNeighborsClassifier(n_neighbors= 3)

knn.fit(x_train,y_train)

yknn_bef_scaler = knn.predict(x_test)
acc_knn_bef_scaler = accuracy_score(yknn_bef_scaler,y_test)


from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
scaler.fit(x_train)
x_train_stdnorm = scaler.transform(x_train)
knn.fit(x_train_stdnorm,y_train)
x_test_stdnorm = scaler.transform(x_test)
yknn_aft_scaler = knn.predict(x_test_stdnorm)
acc_knn_aft_scaler = accuracy_score(yknn_aft_scaler,y_test)

以上程式碼就是利用 sklearn 方式進行分類動作，利用KNN形式來做分類，並且利用 Accuracy_score 精確度處理，再將資料分成訓練以及測試資料，這個比例的分配也要看自己的資料狀況，有些可以訓練多，有些可以訓練少，這個要依照每個人資料狀況而定。

那麼以上為不專業的AI介紹，謝謝各位觀看，那我們下篇見~~~