smartire/attackdex-paldea
收藏官方服务：
资源简介：
单一宝可梦数据集，包含了所有可由特定怪物学习的攻击（通过升级或技术机器）。所有数据均来自Paldea地区，并源自一个讨论如何找到最佳宝可梦团队的项目的文章。
单一宝可梦数据集，包含了所有可由特定怪物学习的攻击（通过升级或技术机器）。所有数据均来自Paldea地区，并源自一个讨论如何找到最佳宝可梦团队的项目的文章。
提供机构：
smartire原始信息汇总
数据集概述
许可证
- Apache 2.0
任务类别
- 表格问答
- 特征提取
语言
- 英语
标签
- 艺术
- 代码
数据集名称
- attackdex-paldea
数据集大小
- 1K<n<10K
数据内容
- 包含所有可学习的攻击（来自等级提升或TM）的单个宝可梦数据集。
- 数据涉及Paldea地区。
- 数据来源于项目讨论，详见https://medium.com/@virtualmartire/i-built-an-algorithm-that-finds-the-optimal-pokemon-team-01ea152824a9。
搜集汇总
数据集介绍
构建方式
在宝可梦对战策略研究领域，数据集是支撑算法分析与模型训练的基础。attackdex-paldea数据集聚焦于帕底亚地区，通过系统整合每只宝可梦在升级与技能学习器（TM）中可习得的全部招式信息而构建。数据来源基于一篇探讨最优宝可梦队伍算法的Medium文章，确保了数据在招式习得机制与地区生态上的准确性和一致性。该数据集以单只宝可梦为基本单元，形成覆盖帕底亚全图鉴的招式知识库。
特点
该数据集呈现出显著的领域专业性与结构简洁性。其涵盖帕底亚地区所有宝可梦的招式习得路径，包括等级提升与TM学习两种核心方式，为对战策略分析提供了全面的招式覆盖。数据集规模介于1K至10K之间，属于轻量级结构化数据，便于快速加载与处理。标签涵盖表格问答与特征提取任务，表明其既支持对招式属性的直接查询，也可用于构建宝可梦对战的特征向量表示。
使用方法
在实际应用中，attackdex-paldea数据集可直接用于表格问答任务，例如查询特定宝可梦的招式池或对比不同宝可梦的习得招式。同时，其结构化特性也适用于特征提取场景，例如将每只宝可梦的招式集合编码为特征向量，供机器学习模型进行队伍推荐或对战结果预测。研究人员可通过HuggingFace的datasets库加载数据，并利用Apache-2.0许可进行二次开发与集成。
背景与挑战
背景概述
在策略游戏与人工智能交叉研究领域，宝可梦对战系统因其复杂的决策空间与多目标优化特性，成为评估强化学习与组合优化算法的经典试验场。由独立研究者virtualmartire于2023年创建的AttackDex-Paldea数据集，聚焦于帕底亚地区宝可梦的招式学习机制，系统收录了通过升级或招式学习器习得的全部攻击技能。该数据集依托于《宝可梦 朱/紫》的完整招式池，为构建最优队伍推荐算法提供了结构化知识库，其配套的中等博客文章详细阐述了基于图论的招式覆盖度优化方法，对游戏AI与运筹学交叉领域产生了显著影响。
当前挑战
该数据集所解决的领域问题在于宝可梦对战中招式组合的维度灾难——每个宝可梦可习得的数十种招式与属性相克关系形成指数级搜索空间，传统穷举法难以在有限时间内找到覆盖最多弱点属性的最优解。构建过程中面临两大核心挑战：一是官方数据分散于非结构化游戏手册与社区维基，需通过逆向工程从游戏ROM中提取招式学习表并验证其版本特异性；二是招式交互的隐性约束（如特性联动、PP值限制）难以通过静态数据表完全建模，导致部分推荐方案在实际对战中因未考虑动态环境而失效。
常用场景
经典使用场景
在宝可梦对战策略研究领域，attackdex-paldea数据集被广泛用于构建基于表格数据的问答系统与特征提取任务。该数据集收录了帕底亚地区每只宝可梦通过升级或招式学习器可习得的全部招式信息，为研究者提供了结构化的招式知识图谱。经典使用场景包括训练自然语言模型以回答诸如“某只宝可梦能否学会特定招式”等查询，或通过特征工程挖掘招式属性与宝可梦类型之间的潜在关联，从而为后续策略优化奠定数据基础。
衍生相关工作
attackdex-paldea数据集催生了一系列经典衍生工作。其中最具代表性的是基于该数据构建的宝可梦团队优化算法，该算法通过图神经网络建模宝可梦与招式间的复杂依赖关系，实现了跨属性联防策略的自动发现。此外，有研究者利用该数据集训练了条件生成模型，用于合成具有特定战术意图的新招式组合。这些工作不仅深化了对宝可梦对战机制的理解，也为多标签分类与组合优化等机器学习子领域贡献了新颖的基准任务。
数据集最近研究
最新研究方向
在宝可梦对战策略研究中，attackdex-paldea数据集为基于数据驱动的队伍构建与招式组合优化提供了关键支撑。该数据集聚焦帕底亚地区可习得招式信息，涵盖等级提升与招式学习器途径，其结构化表格形式适用于表格问答与特征提取任务。前沿方向包括利用该数据集训练模型以自动分析宝可梦招式覆盖面的互补性，结合强化学习算法生成最优对抗策略，以及探索跨世代招式迁移的泛化能力。随着宝可梦竞技赛事数据化趋势的深化，此类细粒度招式数据集的出现，有望推动从经验主导到算法辅助的决策范式转变，为电子竞技策略挖掘与自动化战术生成开辟新路径。
以上内容由遇见数据集搜集并总结生成
