Predikce e-sportových zápasů v League of Legends

Maxmilián Staněk

Bakalářská práce

Prediction models for e-Sport matches in League of Legends

Anotace:

Předkládaná bakalářská práce prozkoumává aplikaci predikčních modelů založených na regresivní analýze pro ligu League of Legends European Championship (LEC) ze hry League of Legends (LoL). Jako metody byly použity metody komparace, pozorování, analýza dat a dokumentů. Pro vytvoření modelu byly použity data z domén spravující statistiky historických zápasů. Pro zpracování dat a tvorbu modelů byl použit programovací jazyk Python rozšířen o knihovny pro datovou analýzu a strojové učení v Jupyter prostředí. První část práce se zaměřuje na sestavení logistické regrese s minimální úspěšností 50 %. Následně jsou vytvořeny dva dodatečné algoritmy pro rozhodovací strom a náhodný les. Všechny modely jsou porovnány za cílem nalezení nejlepšího řešení pro predikce esportových zápasů. Ke zhodnocení jsou použity metriky úspěšnosti, přesnosti, úplnosti a F1 skóre. Vytvořené modely mají vhodný základ pro budoucí vývoje pokročilejších řešení pro neuronové sítě a predikce v reálném čase.

Abstract:

The presented bachelor thesis aims to explore the application of predictive models based on regression analysis for the League of Legends European Championship (LEC) from the game League of Legends (LoL). Methods of comparison, observation, data analysis, and document analysis were used. Data from domains managing historical match statistics were used to create prediction models. The tool which was used to process data and create all models was the programming language Python with library extensions for data analysis. All steps were done in Jupyter environment. The first task of the thesis focuses on modeling a logistic regression with minimal accuracy of 50 %. Subsequently, two additional algorithms for decision tree and random forest are created. All models are compared with the goal of finding the best option for predicting esports matches. Metrics of accuracy, precision, recall, and F1 score are used for evaluation. The models created provide a suitable basis for future developments of more advanced solutions for neural networks and real-time predictions.

Klíčová slova

League of Legends, LoL, modely predikce, logistická regrese, náhodný les, rozhodovací strom, esport, strojové učení, regresivní analýza

Keywords

decision tree, machine learning, regressive analysis, League of Legends, LoL, prediction models, logistic regression, random forest, esport

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 5. 5. 2024

Obhajoba závěrečné práce

• Obhajoba proběhla 2024
• Vedoucí: Jan Rejthar
• Oponent: Petr Krautwurm

Vysoká škola ekonomická v Praze

Bakalářský studijní program:
Aplikovaná informatika