Adding more stats

doc/MCTS.md

@@ -179,6 +179,10 @@ Les paramètres que nous avons fait varier sont:
 - Le poids d'exploration `C` de l'UCB1
 - Le niveau des simulations de minimax à l'intérieur des simulations du MCTS comme décrit dans [5] pour voir l'impact du niveau des minimax sur les performances de l'algorithme.
 
+Pour la sélection, nous avons utilisé un MCTS avec un nombre de simulations de $256$, que nous appellerons "baseline". Ce MCTS a des paramètres initiaux fixés à $C=0.7$ et la fonction UCB1 normale.
+
+![Statistiques MTCS](images/mcts_stats.png)
+
 
 # Comparaison avec *Minimax*
 

doc/stats/mcts.csv

+UCB,Weight,Wins,Time
+0,0,100.0,0.6226935735031894
+0,1,6.666666666666667,0.6545116426588203
+0,2,50.0,0.750084951059605
+0,3,50.0,0.7370233446872485
+0,4,100.0,0.7227530242359571
+0,5,50.0,0.7419624106089274
+0,6,100.0,0.7332369545633479
+0,7,46.666666666666664,1.0110805576922848
+0,8,96.66666666666667,0.8995477491180576
+0,9,100.0,0.937155770742765
+0,10,50.0,0.7400198580306253
+1,0,50.0,0.8988308442176945
+1,1,50.0,0.7527243892351786
+1,2,100.0,0.8390625542045659
+1,3,50.0,0.6061354405241586
+1,4,50.0,0.724988778692777
+1,5,50.0,0.8132747670549976
+1,6,100.0,0.662814313807386
+1,7,0.0,0.9952580461640289
+1,8,50.0,0.935292323022826
+1,9,46.666666666666664,1.0298122224766155
+1,10,100.0,0.8898256253505099

doc/stats/plot.py

+import pandas as pd
+from matplotlib import pyplot as plt
+
+df = pd.read_csv("doc/stats/mcts.csv")
+
+df["Win_rate"] = df["Wins"]
+plt.figure(figsize=(12, 6))
+for ucb in df["UCB"].unique():
+    subset = df[df["UCB"] == ucb]
+    ucb_str = "UCB"
+    if ucb == 1.0:
+        ucb_str = "UCB Tuned"
+    plt.plot(subset["Weight"], subset["Win_rate"], marker="o", label=f"{ucb_str}")
+
+plt.xlabel("Weight")
+plt.ylabel("Win Rate (%)")
+plt.title("Win Rate (%) vs Weight for different UCB values")
+plt.legend()
+plt.grid(True)
+plt.show()