Supervised learning is not as popular as reinforcement learning in chess programming due to its inability to achieve as high prediction accuracies as reinforcement learning. However, through extensive search by the authors, there seems to be a few numbers of research conducted that focus on applying supervised learning into chess. Therefore, this study investigates how supervised learning could be used to make predictions in chess so that an empirical understanding of supervised learning using both logistic regression and convolutional neural networks is provided. Both the machine learning algorithms will be tested and compared to the prediction accuracies acquired by reinforcement learning through other studies (it will not be implemented in this study). The prediction task was to predict the position from which the next chess piece moves in a chess game.

It has been concluded from this study that convolutional neural networks are better at predicting than logistic regression, but had higher tendencies to suffer from overfitting compared to logistic regression. When comparing these two supervised learning algorithms to reinforcement learning, supervised learning algorithms do not achieve as high prediction accuracies as reinforcement learning in general, but could be used as heuristics in various programming contexts in the future.

Future research should investigate regularization techniques to overcome with overfitting tendencies in both machine learning algorithms and investigate how data representations may affect the prediction accuracy of respective machine learning algorithm.

Supervised learning är inte lika populär som reinforcement learning i schackprogrammering på grund av dess oförmåga att uppnå samma höga förutsägelsenoggrannhet som reinforcement learning. Genom omfattande sökning av författarna verkar det dock finnas några få undersökningar som fokuserar på att tillämpa supervised learning i schack. Därför undersöker den här studien hur supervised learning kan användas för att göra förutsägelser i schack för att erhålla vidare kunskap om supervised learning med hjälp av både logistic regression och convolutional neural networks inom schackprogrammering. Båda maskininlärningsalgoritmerna kommer att testas och jämföras med de förutsägelsenoggrannheter som erhållits av reinforcement learning genom andra studier (det kommer inte att implementeras i denna studie). Förutsägelserna, som görs i denna studie, var att förutsäga den position, från vilken nästa schackpjäs kommer att röra sig. Slutsatserna från denna studie är att convolutional neural networks är bättre på att förutsäga än logistic regression, men hade högre tendenser att drabbas av overfitting jämfört med logistic regression. När man jämför dessa två ”supervised learning”-algoritmer med reinforcement learning visar resultaten att ”supervised learning”-algoritmerna inte uppnår lika höga förutsägelsenoggrannheter som reinforcement learning i allmänhet, men kan användas som heuristiker i diverse programmeringssammanhang i framtiden. Vidare forskning bör vara att undersöka regularization-tekniker för att överbrygga problemen med overfitting-tendenser i båda maskininlärningsalgoritmerna och undersöka hur datarepresentationer kan påverka förutsägelsenoggrannheten hos respektive maskininlärningsalgoritm.