Chess Style Classifier – czy algorytm rozpozna mistrza po stylu gry?

---

Wprowadzenie

Interesowało mnie, czy styl gry szachowej da się zmierzyć – nie intuicyjnie, ale liczbowo. Magnus Carlsen i Hikaru Nakamura to gracze o bardzo różnych podejściach do partii: jeden znany z pozycyjnej precyzji, drugi ze spektakularnego stylu i agresywnego tempa. Pytanie brzmiało: czy Random Forest wytrenowany na ich partiach będzie w stanie to uchwycić?

Dane

Partie pobieram automatycznie z publicznego API Chess.com – miesięczne archiwa dla obu graczy. Każda partia to PGN (Portable Game Notation), z którego wyciągałam cechy opisujące zachowanie gracza: długość partii, liczbę bić i szachów, typ roszady, kategorię czasową (bullet / blitz / rapid), kod otwarcia ECO.

Dane trafiają do bazy Supabase (PostgreSQL) i są odświeżane automatycznie co tydzień przez GitHub Actions.

Proces

1) Cechy heurystyczne (52% dokładności)

• Pierwsza wersja klasyfikatora pracowała wyłącznie na cechach wyciągniętych z PGN. Wynik 52% to niemal rzut monetą model nie miał czym się różnicować.

2) Analiza silnikiem szachowym

• Kluczową decyzją było dodanie analizy Stockfishem. Dla każdej partii i każdego ruchu gracza silnik oblicza:
• ACPL (Average Centipawn Loss) – miara precyzji
• odsetek najlepszych ruchów (best move rate)
• wskaźniki niedokładności, błędów i poważnych błędów
• wskaźnik ofiar – ruch, który oddaje materiał, ale jest oceniany przez silnik jako dobry
• Te cechy są z natury znacznie bardziej informacyjne niż sama struktura parti

3) Klasyfikator

• Random Forest na 21 cechach. Dokładność wzrosła do ~70%. Model trenuje się na nowo przy każdym cotygodniowym uruchomieniu workflowu.

4) Prawdopodobieństwa ruch po ruchu

• Zamiast klasyfikować całą partię, klasyfikuję każdy ruch z narastającymi statystykami. Wynik to sekwencja prawdopodobieństw zapisana jako JSONB w bazie – jeden wiersz na partię zamiast jednego wiersza na ruch.

Wyniki

Frontend pokazuje:

• karty statystyk obu graczy
• wykres radarowy porównujący style
• odtwarzacz partii z szachownicą
• animowany pasek prawdopodobieństwa zmieniający się z każdym ruchem

Strona ładuje dane bezpośrednio z Supabase przez klienta JS.

Wyzwania

• Największym wyzwaniem nie była budowa modelu, tylko zarządzanie czasem analizy silnikiem. Stockfish analizuje pozycję przed i po każdym ruchu — dla 1000 partii to kilkadziesiąt minut pracy. Rozwiązaniem było obliczanie inkrementalne: każdy nowy tydzień analizuje tylko nowe partie.
• Drugi problem to rozmiar bazy (plan darmowy Supabase ma limit 500 MB) — rozwiązany przez limitowanie liczby przechowywanych partii na gracza i usuwanie najstarszych przy przekroczeniu progu.

Strona ładuje dane bezpośrednio z Supabase przez klienta JS.

Refleksja

• 70% dokładności przy dwóch graczach to wynik skromny, ale uczciwy – model naprawdę się uczy, nie zapamiętuje. Gdyby dodać więcej graczy o wyraźnie różnych stylach, klasyfikacja prawdopodobnie by się poprawiła. Na razie projekt odpowiada na pytanie, które zadałam: tak, styl gry da się zmierzyć. Przynajmniej częściowo.