{"id":2483,"date":"2026-06-24T08:00:00","date_gmt":"2026-06-24T07:00:00","guid":{"rendered":"https:\/\/olgamironczuk.pl\/?p=2483"},"modified":"2026-06-29T14:53:05","modified_gmt":"2026-06-29T13:53:05","slug":"chess-style-classifier-czy-algorytm-rozpozna-mistrza-po-stylu-gry","status":"publish","type":"post","link":"https:\/\/olgamironczuk.pl\/en\/chess-style-classifier-czy-algorytm-rozpozna-mistrza-po-stylu-gry\/","title":{"rendered":"Chess Style Classifier – czy algorytm rozpozna mistrza po stylu gry?"},"content":{"rendered":"
\n
\n
\"\"<\/figure>\n<\/div><\/div>\n\n\n\n
\n

Project:<\/strong>Chess Style Classifier – czy algorytm rozpozna mistrza po stylu gry?
Tools: <\/strong>Python, scikit-learn, Stockfish, python-chess, Supabase (PostgreSQL), GitHub Actions, GitHub Pages, JavaScript (chessboard.js, Chart.js)
Description: <\/strong>Projekt ML sprawdzaj\u0105cy, czy algorytm potrafi rozpozna\u0107 arcymistrza po stylu gry. Model analizuje partie z Chess.com przy u\u017cyciu Stockfisha i wyznacza prawdopodobie\u0144stwo przynale\u017cno\u015bci ka\u017cdego ruchu do konkretnego gracza.
Objective:<\/strong> Klasyfikacja stylu gry przy u\u017cyciu uczenia maszynowego
Data: <\/strong>Chess.com API – partie Magnus Carlsen i Hikaru Nakamura
Repository:<\/strong> \"GitHub\" See on GitHub<\/a><\/p>\n<\/div>\n<\/div>\n\n\n\n\n\n\n\n

\n\n\n\n

Introduction<\/h2>\n\n\n\n

Interesowa\u0142o mnie, czy styl gry szachowej da si\u0119 zmierzy\u0107 – nie intuicyjnie, ale liczbowo. Magnus Carlsen i Hikaru Nakamura to gracze o bardzo r\u00f3\u017cnych podej\u015bciach do partii: jeden znany z pozycyjnej precyzji, drugi ze spektakularnego stylu i agresywnego tempa. Pytanie brzmia\u0142o: czy Random Forest wytrenowany na ich partiach b\u0119dzie w stanie to uchwyci\u0107?<\/p>\n\n\n\n

Data<\/h2>\n\n\n\n

Partie pobieram automatycznie z publicznego API Chess.com – miesi\u0119czne archiwa dla obu graczy. Ka\u017cda partia to PGN (Portable Game Notation), z kt\u00f3rego wyci\u0105ga\u0142am cechy opisuj\u0105ce zachowanie gracza: d\u0142ugo\u015b\u0107 partii, liczb\u0119 bi\u0107 i szach\u00f3w, typ roszady, kategori\u0119 czasow\u0105 (bullet \/ blitz \/ rapid), kod otwarcia ECO.<\/p>\n\n\n\n

Dane trafiaj\u0105 do bazy Supabase (PostgreSQL) i s\u0105 od\u015bwie\u017cane automatycznie co tydzie\u0144 przez GitHub Actions.<\/p>\n\n\n\n

Process<\/h2>\n\n\n\n

1) Cechy heurystyczne (52% dok\u0142adno\u015bci)<\/strong><\/strong><\/p>\n\n\n\n

    \n
  • Pierwsza wersja klasyfikatora pracowa\u0142a wy\u0142\u0105cznie na cechach wyci\u0105gni\u0119tych z PGN. Wynik 52% to niemal rzut monet\u0105 model nie mia\u0142 czym si\u0119 r\u00f3\u017cnicowa\u0107.<\/li>\n<\/ul>\n\n\n\n

    2) Analiza silnikiem szachowym<\/strong><\/strong><\/p>\n\n\n\n

      \n
    • Kluczow\u0105 decyzj\u0105 by\u0142o dodanie analizy Stockfishem. Dla ka\u017cdej partii i ka\u017cdego ruchu gracza silnik oblicza:<\/li>\n\n\n\n
    • ACPL (Average Centipawn Loss) – miara precyzji<\/li>\n\n\n\n
    • odsetek najlepszych ruch\u00f3w (best move rate)<\/li>\n\n\n\n
    • wska\u017aniki niedok\u0142adno\u015bci, b\u0142\u0119d\u00f3w i powa\u017cnych b\u0142\u0119d\u00f3w<\/li>\n\n\n\n
    • wska\u017anik ofiar – ruch, kt\u00f3ry oddaje materia\u0142, ale jest oceniany przez silnik jako dobry<\/li>\n\n\n\n
    • Te cechy s\u0105 z natury znacznie bardziej informacyjne ni\u017c sama struktura parti<\/li>\n<\/ul>\n\n\n\n

      3) Klasyfikator<\/strong><\/strong><\/strong><\/p>\n\n\n\n

        \n
      • Random Forest na 21 cechach. Dok\u0142adno\u015b\u0107 wzros\u0142a do ~70%. Model trenuje si\u0119 na nowo przy ka\u017cdym cotygodniowym uruchomieniu workflowu.<\/li>\n<\/ul>\n\n\n\n

        4) Prawdopodobie\u0144stwa ruch po ruchu<\/strong><\/strong><\/p>\n\n\n\n

          \n
        • Zamiast klasyfikowa\u0107 ca\u0142\u0105 parti\u0119, klasyfikuj\u0119 ka\u017cdy ruch z narastaj\u0105cymi statystykami. Wynik to sekwencja prawdopodobie\u0144stw zapisana jako JSONB w bazie – jeden wiersz na parti\u0119 zamiast jednego wiersza na ruch.<\/li>\n<\/ul>\n\n\n\n

          Results<\/h2>\n\n\n\n

          Frontend pokazuje:<\/p>\n\n\n\n

            \n
          • karty statystyk obu graczy<\/li>\n\n\n\n
          • wykres radarowy por\u00f3wnuj\u0105cy style<\/li>\n\n\n\n
          • odtwarzacz partii z szachownic\u0105<\/li>\n\n\n\n
          • animowany pasek prawdopodobie\u0144stwa zmieniaj\u0105cy si\u0119 z ka\u017cdym ruchem<\/li>\n<\/ul>\n\n\n\n

            Strona \u0142aduje dane bezpo\u015brednio z Supabase przez klienta JS.<\/p>\n\n\n\n

            Wyzwania<\/h2>\n\n\n\n
              \n
            • Najwi\u0119kszym wyzwaniem nie by\u0142a budowa modelu, tylko zarz\u0105dzanie czasem analizy silnikiem. Stockfish analizuje pozycj\u0119 przed i po ka\u017cdym ruchu \u2014 dla 1000 partii to kilkadziesi\u0105t minut pracy. Rozwi\u0105zaniem by\u0142o obliczanie inkrementalne: ka\u017cdy nowy tydzie\u0144 analizuje tylko nowe partie.<\/li>\n\n\n\n
            • Drugi problem to rozmiar bazy (plan darmowy Supabase ma limit 500 MB) \u2014 rozwi\u0105zany przez limitowanie liczby przechowywanych partii na gracza i usuwanie najstarszych przy przekroczeniu progu.<\/li>\n<\/ul>\n\n\n\n

              Strona \u0142aduje dane bezpo\u015brednio z Supabase przez klienta JS.<\/p>\n\n\n\n

              Refleksja<\/h2>\n\n\n\n
                \n
              • 70% dok\u0142adno\u015bci przy dw\u00f3ch graczach to wynik skromny, ale uczciwy – model naprawd\u0119 si\u0119 uczy, nie zapami\u0119tuje. Gdyby doda\u0107 wi\u0119cej graczy o wyra\u017anie r\u00f3\u017cnych stylach, klasyfikacja prawdopodobnie by si\u0119 poprawi\u0142a. Na razie projekt odpowiada na pytanie, kt\u00f3re zada\u0142am: tak, styl gry da si\u0119 zmierzy\u0107. Przynajmniej cz\u0119\u015bciowo.<\/li>\n<\/ul>\n\n\n\n
                <\/div>\n\n\n\n