Predikce výsledků esportových zápasů pomocí regresních modelů

Matěj Novotný

Bachelor's thesis

Prediction of eSports match outcomes using regression models

Anotácia:

Tato bakalářská práce se zaměřuje na analýzu a predikci výsledků zápasů v eSportové hře League of Legends (LoL) pomocí strojového učení. Srovnáváme predikční metody používané v tradičních sportech a v eSportu, aby zdůraznili klíčové rozdíly a specifika těchto dvou odvětví. Využíváme tři metody strojového učení, gradient boosting, náhodný les a logistická regrese, k vytvoření přesného a robustního modelu pro předpovídání výsledků zápasů v LoL. Naše analýzy ukázaly, že gradient boosting je nejpřesnější a nejrobustnější z těchto metod. Data pro naše modely byla získána z eSportové databáze a byla zpracována a analyzována v jazyce Python s využitím knihoven pro strojové učení a analýzu dat. Během analýzy datové sady jsme narazili na několik problémů, jako je dočasnost dat a výběr proměnných. Nicméně jsme identifikovali výhody predikce eSportů oproti tradičním sportům, jako je automatické a přesné generování faktorů během hry. Výsledky našich modelů byly vyhodnoceny pomocí metrik jako přesnost, preciznost, úplnost a F1-skóre. Gradient boosting dosáhl nejlepších výsledků s nejvyšší přesností, precizností, úplností a F1-skóre. Celkově lze říci, že naše práce přináší cenné poznatky do oblasti predikce eSportů a jejich srovnání s tradičními sporty. V budoucnu by bylo zajímavé zkoumat další faktory ovlivňující výsledky zápasů, jako jsou preference jednotlivých hráčů a týmů nebo dopady aktualizací hry na predikce. Naše výsledky také zdůrazňují význam kombinace různých typů dat a jejich správného vyvážení pro dosažení optimálních výsledků v predikci výsledků zápasů v eSportovém prostředí.

Abstract:

This bachelor’s thesis focuses on the analysis and prediction of match results in the eSport game League of Legends (LoL) using machine learning. We compare predictive methods used in traditional sports and in eSport to highlight the key differences and specificities of these two fields. We utilize three machine learning methods, gradient boosting, random forest, and logistic regression, to create an accurate and robust model for predicting match results in LoL. Our analyses showed that gradient boosting is the most accurate and robust method among these approaches. Data for our models was obtained from an eSport database and was processed and analyzed in Python using libraries for machine learning and data analysis. During the analysis of the dataset, we encountered several issues, such as the temporality of data and the selection of variables. Nevertheless, we identified advantages of eSport prediction compared to traditional sports, such as the automatic and accurate generation of factors during gameplay. The results of our models were evaluated using metrics such as accuracy, precision, recall, and F1-score. Gradient boosting achieved the best results with the highest accuracy, precision, recall, and F1-score. Overall, our work provides valuable insights into the field of eSport prediction and its comparison with traditional sports. In the future, it would be interesting to examine additional factors that influence match results, such as the preferences of individual players and teams or the impact of game updates on predictions. Our results also emphasize the importance of combining different types of data and their proper balance to achieve optimal results in predicting match outcomes in the eSport environment.

Kľúčové slová

předpověd výsledků, náhodný les, gradient boosting, regresní metody, League of Legends, strojové učení, eSport, logistická regrese

Keywords

eSports, League of Legends, machine learning, regression methods, predicting outcomes, random forest, logistic regression, gradient boosting

Jazyk práce: Czech

Datum vytvoření / odevzdání či podání práce: 8. 5. 2023

Obhajoba závěrečné práce

• Obhajoba proběhla 31. 1. 2024
• Vedúci: Jan Rejthar
• Oponent: Jan Fojtík

Vysoká škola ekonomická v Praze

Bachelor programme / odbor:
Matematické metody v ekonomii / Datové analýzy a modelování