使用神经网络模型创建一个龙与地下城怪物生成器
作者：互联网
龙与地下城（DND）于1974年发行第一版，现在所有RPG游戏都有它的影子，可以说它影响了全世界的RPG，对于RPG来说，最主要的一个特点就是有着不同类型的怪物，而我们可以通过《dungeon master guide》中提供的Challenge Rating（CR）公式来创建我们自己的怪物，因为我们也是地牢大师的一员，对吧。
《龙与地下城》让玩家能够自由地与好友一起游戏并创造故事。作为DM，我们还能根据自己的喜好创造属于自己的怪物。所以就有了本篇文章，本文中着重于四个主要问题:
- 根据CR公式计算的手动怪物的挑战等级有何不同?
- 怪物的属性如何与挑战评级系统及其本身相关联?
- 怪物的非属性属性(类型，环境，大小，排列)如何影响它的属性?
- 我们能预测一个没有经验的dm和SRC怪物相似的怪物属性块吗?
挑战等级（CR）公式
威世智（Wizards of the Coast）提供了一系列图表和一个通用公式，可以为玩家创建自己的自制怪物时作为参考。所以我们首先就是要验证这个公式的准确性。我我们从《怪物手册》中的怪物上应用它，看看是否会获得相同的等级评定？
因此，我从CR列表中获取了三个怪物，并使用公式计算结果，它们实际上非常接近，所以可以证明这个公式是有效的，我们下面可以使用它进行正式的工作了。
从《龙与地下城》的系统参考文件(SRD)中获得了300个怪物，并开始探索数据。幸运的是，威世智为我们提供了免费使用和探索本文档中的信息的服务。
我使用Selenium抓取这些数据感，然后进行了整理。数据科学家一生中90%的时间都在清理数据时，他们不是在开玩笑。
下面是我获取的所有数据的属性：
[‘Monster Name’, ‘Size’, ‘Type’, ‘Alignment’, ‘Traits’, ‘Reactions’, ‘Armor Class’, ‘Hit Points’, ‘Speed’, ‘Challenge’, ‘Proficiency Bonus’, ‘STR’, ‘DEX’, ‘CON’, ‘INT’, ‘WIS’, ‘CHA’, ‘Actions’, ‘Legendary Actions’, ‘Environment’, ‘Attack_Bonus’, ‘Spell_Bonus’, ‘Spell_Save_DC’, ‘WIS_SV’, ‘INT_SV’, ‘CHA_SV’, ‘STR_SV’, ‘DEX_SV’, ‘CON_SV’, ‘Arctic’, ‘Coastal’, ‘Desert’, ‘Forest’, ‘Grassland’, ‘Hill’, ‘Mountain’, ‘NA’, ‘Swamp’, ‘Underdark’, ‘Underwater’, ‘Urban’, ‘Average_Damage_per_Round’, ‘Damage Resistances’, ‘Damage Immunities’, ‘Condition Immunities’, ‘Damage Vulnerabilities’, ‘Spellcaster’, ‘Magic Resistance’, ‘Legendary Resistance’, ‘Regeneration’, ‘Undead Fortitude’, ‘Pack Tactics’, ‘Damage Transfer’, ‘Angelic Weapons’, ‘Charge’]
CR与怪物统计数据有关吗？
探索性数据分析的基础就是分布。这些统计数据的数据集是什么样的？我们有很多右偏的数据。考虑到挑战等级的偏右(大多数怪物等级较低)，这是合理的。
大多数标准属性:力量、敏捷、智慧、智力和魅力的分布范围都在0到30之间。但是体质中几乎没有10以下的怪物。这应该是因为体质0的话就死了，毕竟在任何游戏中活着是第一位的。
绘制统计数据的联合分布可以得到更清晰的相关图。
熟练度的奖励与挑战评级相关，这是肯定的。所以在我们的模型中不使用熟练度奖励这个特征，因为它不会为我们提供更多信息。我们使用相关性的热图进行更详细的分析。
完整文章
https://avoid.overfit.cn/post/0f490c24d6b54648b20e4cb421020881
标签：公式,生成器,Damage,SV,神经网络,怪物,CR,地下城,属性 来源： https://www.cnblogs.com/deephub/p/16381473.html