В этой статье я собираюсь обсудить недавний классификационный проект, который я работал, касающуюся масштабно популярной видеоигры, Лига легендов, а также улучшения и другие идеи, которые могут быть получены из этих данных.
В состав моей научно-технической программы мне было проинструктировано разработать сценарий, в котором мы пытаемся моделировать проблемы с классификацией. В отличие от других проектов, мне не дали набор данных или отправной точкой. Вместо этого единственные инструкции должны были найти то, что я был увлечен, пока это привело к классификации. После поиска KAGGLE для вдохновения я обнаружил, что набор данных, который действительно взволнован: League of Legends Data. Это было от этой точки зрения, что я понял, что это сделает идеальную задачу классификации; Разнообразные метрики были «Snapshoted» на 10-минутной марке, а также конечный результат (выигрыш или убыток) для той же игры.
На данный момент я создал свою гипотетическую деловую проблему: я был нанят организацией Esports Cloud9 в качестве тренера/аналитика игрока для профессиональной команды League of Legends. Они конкурируют на верхнем уровне и стремятся выиграть каждую игру, которые, возможно, могут, так как на линии много денег. Моя работа состоит в том, чтобы помочь им определить наиболее важные факторы в выигрышных играх League of Legends. Я должен расследовать то, что мне следует советовать нашим игрокам сосредоточиться в первые 10 минут каждой игры, чтобы обеспечить высочайшую возможность выиграть игру.
В качестве справедливого предупреждения, с этого момента я собираюсь обсудить некоторые из моих выводов с точки зрения игрока, чтобы дать как можно больше «глубокого погружения» в эти данные. Если вы не знакомы с игрой и некоторыми терминологией, будет трудно следовать вместе с остальной частью этой статьи. Если вы в этой лодке, я настоятельно рекомендую вам проверить мой проект на Github здесь Отказ Ноутбук (техническая аудитория) и соответствующая презентация PDF (нетехническая аудитория) дает гораздо более высокий уровень на выводах, чем я буду обсуждать здесь.
После первоначального взгляда на данные, доступные для меня, я запросил ответы на три вопроса, которые, как я полагаю, можно эффективно ответить.
- Какой самый важный определяющий фактор в выигрыше игры?
- Какие цели должны приоритеты наших игроков?
- Какие цели должны игнорировать наши игроки?
После некоторой первоначальной очистки, функции инженерии и итерации по нескольким моделям Моя функция импорта диаграммы для модели XGBOOST показала некоторые интересные результаты.
Очевидно, что единственный самый важный фактор при определении результатов игры в профессиональных играх – это дифференциал золота в 10 минутах. Я только говорю это, потому что все стоит делать в лиге легенд, дает вам золото. Во время профессиональных игрных вещаний общее золото каждой команды отображается на табло (наряду с полными убийствами и башнями). Тем не менее, любой достойный игрок знает, что это просто фундаментальная часть игры. Имея больше золота означает, что у вас есть больше предметов, больше элементов означает, что у вас больше статистики на вашем персонаже, больше статистики означает, что вы с большей вероятностью выиграют бои и скорее всего, больше золота. Таким образом, в конечном итоге это не оказывает много внимания игроку высокого уровня. В основном это просто подтверждает основную фундаментальную часть игры, которую кто-то узнает от игры. На данный момент в моем научном приключении это было чрезвычайно обнадеживает, потому что я знал контекст того, что это означало на технической перспективе, а также игрока; Моя модель работала должным образом.
Из этого визуализации можно также увидеть, что количество взятых драконов – это следующий самый высокий определяющий фактор в предсказании результата для нашей модели. Вот где мы начинаем получать актуальные идеи для профессиональных игроков. Лига – это игра из многих вариантов, и как команда, которую вы должны решить, какие цели брать. В игре только ограниченное количество времени для достижения вещей. Каждый игрок действительно может быть только в одном месте, и требуется время для перемещения по карте. Например, если Red Team решает отправить четыре игрока для дракона, но синяя команда может иметь только два игрока там, чтобы соревноваться, красная команда будет почти уверенно защищать дракона, что потенциально убивает синие игроки в сценарии 4VS2. В ответ, однако, остальные синие члены будут получать волны и потенциальные башни на другой стороне карты. Эта модель, по-видимому, имеет большое значение для обеспечения того, чтобы озаимосверожить эти драконы, даже если оно составляет по потере башен и миньонов. Аналогичным образом, модель помещает абсолютное самостоятельное значение на промирели рифта, так как не является тяжелым фактором для победы в этих играх.
Очевидно, мы смогли ответить на наши вопросы, выложенные в начале, но я определенно сомневаюсь, насколько это полезно для игроков в организации. Во-первых, здесь определенно некоторые проблемы с данными. Данные были взяты из 10 000 профессиональных игр; Однако это в течение двух лет матчей. Что-то не принятое во внимание, это тот факт, что игра-разработчик, Riot игры, вводит балансы каждые две недели, чтобы держать игру/мета самочувствие и «свежей». Сама игра находится в постоянном состоянии изменений; Одна неделя они могут просто внезапно решить изменить золотую ценность, которые предоставляют туреты или количество статистики, заданной типом дракона. Поэтому наша модель не может легко принять это во внимание.
Другим недостатком только этих функций является тот факт, что ни один из выборок чемпиона не учитывается. На мой взгляд, это иногда может быть более важно, чтобы фактическое игровое государство сам, так как некоторые команды построены вокруг ранних целей, так что их поздняя игра «Масштабирование Comp» может достичь их силовых шипов. В лиге Legende of Legends насчитывается более 150 чемпионов, а комбинации команды почти бесконечны. Хотя специалисты, как правило, могут получить хорошее понимание того, что самые сильные выкидки для каждой роли, иногда самые сильные отдельные выборы плохо синергетизируют с другими «сильными» выборами в других ролях. К сожалению, данные, которые у меня были доступны, не принимает это во внимание, но я думаю, что это чрезвычайно важная часть игры.
Если бы я был настоящим аналитиком для профессиональной команды, я думаю, что один из самых ценных вопросов, которые я мог бы ответить, – «Какой чемпион будет лучше всего выбрать в этой игре, для этого конкретного патча?» Хотя данные в моем проекте не могут ответить на этот вопрос, есть некоторые интересные ресурсы, которые я обнаружил, что помогает мне сделать свой собственный выбор чемпионов в играх. Например, Этот сайт Показывает выигрышную скорость Драшена против каждого другого чемпиона за последние 30 дней в топ-10% игроков, все еще приносящий огромный размер выборки почти 300 000 игр. Скажем, вражеская команда уже выбрала Драшена; Мы можем проконсультироваться с матрицей выигрышей на одну роль, чтобы определить, какой из наших собственных выборок может дать нам лучший шанс выиграть. В будущем расширяя проект, чтобы взять выбор Чемпиона и опрашивающихся матрицах выигрышей для модели классификации, будет трудно, но чрезвычайно захватывающим.
Оригинал: “https://dev.to/ewehmueller/explorations-in-league-of-legends-data-4g3b”