Aplicación para la detección de fraude en ajedrez mediante machine learning

Resumen

Las trampas en el ajedrez con la aparición y accesibilidad de módulos de análisis se han hecho cada vez más presentes en la actualidad alterando el transcurso natural y justo del juego generando partidas adulteradas. Este trabajo tiene como objetivo desarrollar una aplicación web que mediante machine learning se detecte si se han realizado trampas en la partida de ajedrez introducida por el usuario. La aplicación web, implementada mediante el framework Flask de Python, cuenta con la posibilidad de análisis de partidas de ajedrez y su posterior guardado. Las páginas disponibles para los usuarios son la página home en la cual introducir las partidas para realizar la predicción, la página de partidas donde puede observar las anteriormente guardadas y la página profile donde tiene una visión general de los datos presentes del perfil. La creación del modelo de machine learning se ha realizado mediante aprendizaje supervisado introduciendo partidas obtenidas de las principales páginas de ajedrez. Su evaluación se ha llevado mediante validación cruzada utilizando las métricas de exactitud, precisión y recall. Una vez entrenado el modelo se vincula con la aplicación web para realizar las predicciones de las partidas introducidas por los usuarios y se diseña su respuesta que será mostrada en la aplicación. Finalmente, se revisa todo el código para garantizar su calidad, legibilidad y coherencia para una continuación próspera con el desarrollo en el futuro.

ABSTRACT

Cheating in chess with the appearance and accessibility of analysis modules has become more prevalent nowadays, disrupting the natural and fair course of the game and resulting in adulterated matches. The objective of this work is to develop a web application that uses machine learning to detect cheating in the chess game submitted by the user. The web application, implemented using the Flask framework in Python, has the possibility of analysis chess games and their subsequent storage. The available pages for users are the home page, where they can enter the games to make the prediction, the games page where they can see the previously saved games and the profile page where they can see an overview of the current profile data. The creation of the machine learning model has been carried out through supervised learning, using games obtained from the most popular chess websites. Its evaluation has been conducted through cross-validation using the metrics of accuracy, precision and recall. Once the model is trained, it is linked to the web application to make predictions on games entered by users and their response is designed which will be displayed in the application. Finally, the entire code is reviewed to ensure its quality, readability and coherence to continue the prosperous development.