S PILIHAN E LECTRONIC E NGINEERING DAN C OMPUTER S CIENCE Q UEEN M ARY U NIVERSITAS L ONDON, UK ECS784U / ECS784P - D ATA SEBUAH NALITIK - 2017/18 League of Legends: Studi Dampak Awal Game Raluca Gaina dan Charlotte Nordmoen 9 Juni 2018 Abstrak Penelitian ini menganalisis performa early game (10 menit pertama) pemain pada game arena pertarungan online multipemain League of Legends. Kami mengkarakterisasi kinerja melalui 4 fitur: pengalaman yang diperoleh, emas, kerusakan yang diterima, dan skor creep (jumlah antek dan monster yang mereka bunuh). Menggunakan data yang tersedia untuk umum yang disediakan oleh Riot Games yang merinci game dengan peringkat 5v5, kami memverifikasi dampak kinerja game awal di hasil akhir game dari masing-masing pemain, kinerja tim secara keseluruhan, serta hasil pertandingan. Sejauh ini, kami menganalisis korelasi antara kinerja pemain di awal dan akhir permainan; selanjutnya, kami membangun model prediksi berdasarkan fitur permainan awal dari masing-masing dari 5 peran pemain yang diidentifikasi untuk menentukan hasil permainan. Kami menemukan korelasi menengah antara permainan awal dan kinerja permainan akhir dari setiap peran pemain, tetapi lebih lemah ketika pertandingan awal dan hasil tim secara keseluruhan dibandingkan. Model prediksi kami berhasil 62% akurasi dan oleh karena itu sebanding dengan keadaan seni. Aplikasi sistem kami dapat diperluas ke umpan balik pemain dan peningkatan keterampilan, serta kemungkinan penyesuaian permainan untuk pengalaman pemain terbaik dari awal permainan. 1 1. Perkenalan Dengan meningkatnya popularitas game kompetitif online dan esports, ada juga kebutuhan untuk lebih memahami game dan kinerja para pemain. Hasilnya, para peneliti mulai mengembangkan analitik data dan alat visualisasi untuk menghasilkan statistik dan menyoroti fakta menarik untuk melihat gameplay yang lebih mendalam [1]. Sukses baru-baru ini adalah "Echo", alat untuk analisis visual dalam game multipemain online "DotA 2" [2], diluncurkan di ESL One Hamburg. “Echo” bekerja secara langsung selama bermain game untuk mengumpulkan statistik dan menghamparkan informasi di atas game untuk meningkatkan pengalaman menonton bagi publik. Alat serupa dikembangkan untuk StarCraft II: "Scelight" menawarkan diagram pemain dan informasi statistik tentang permainan, seperti tindakan yang dilakukan setiap menit, durasi permainan, kecepatan dan informasi spesifik pemain lainnya [3]. "League of Legends" dalam banyak hal mirip dengan "DotA 2": game online yang sangat multipemain, tetapi dengan basis pemain yang lebih besar ( 67 juta pemain bermain game setiap bulan) dan banyak acara pertandingan profesional sepanjang tahun. Kompleksitas game juga meningkat, menampilkan 134 karakter untuk dipilih, masing-masing dengan kemampuan, kekuatan dan kelemahan yang berbeda 400 opsi jalur pohon rune dan lebih 250 item untuk menyesuaikan setiap karakter dalam game. Selain kompleksitas objektif, keputusan setiap pemain selama satu pertandingan dapat mengarah pada hasil yang sangat berbeda: semua pemain memiliki gaya dan perilaku bermain yang berbeda. Oleh karena itu, permainan ini sangat berisik dan statistik apa pun yang diambil perlu mempertimbangkan hal ini dan menemukan cara untuk menangani banyaknya variasi yang ada dalam data. Namun kompleksitas dan keragaman juga menjadikannya masalah yang sangat menarik untuk dianalisis. Beberapa penelitian sebelumnya ada pada topik prediksi kemenangan pada game online multiplayer. Yang et al. lihat pola pertempuran untuk memprediksi hasil pertandingan di "DotA 2" [4]. Hodge dkk. menunjukkan bahwa analisis set data peringkat campuran (termasuk pemain dari berbagai tingkat keahlian, atau peringkat) dapat berhasil digunakan dalam memprediksi hasil permainan kompetitif profesional “DotA 2”; meskipun ada penurunan akurasi, hal ini berpotensi untuk memperoleh lebih banyak data dan masih mencapai hasil yang positif [5]. Sejauh ini, kami menggunakan kumpulan data peringkat campuran dalam penelitian kami. Kim dkk. melakukan analisis kinerja tim yang menarik di "League of Leg-ends" menggunakan konsep kecerdasan kolektif (CI) [6]. Mereka mendasarkan hipotesis mereka pada gagasan bahwa tim yang bekerja sama yang lebih baik memiliki peluang lebih tinggi untuk memenangkan permainan terlepas dari keterampilan individu mereka. Hasil mereka menunjukkan bahwa memang CI selama fase akhir permainan ketika para pemain tidak dipisahkan, tetapi diharapkan untuk bekerja lebih bersama, mengarah pada tingkat kemenangan yang lebih tinggi, serta berkorelasi dengan persepsi sosial dari masing-masing anggota tim. Berbeda dengan penelitian ini, kami fokus pada fase permainan awal (pertama 10 menit permainan) dan berhipotesis bahwa kinerja pemain individu di awal permainan berdampak pada kinerja mereka sendiri secara keseluruhan, serta hasil tim di akhir permainan. Performa tidak hanya diukur dari keadaan menang / kalah dari permainan (yang hanya dapat ditentukan di akhir), tetapi juga pengalaman dan emas yang diperoleh, jumlah creep yang terbunuh dan kerusakan yang diambil dari berbagai sumber. Hipotesis ini dimotivasi oleh kurangnya penelitian tentang tahap pertama permainan, yang oleh banyak pemain dianggap kritis: meskipun serangan balik mungkin terjadi dan tahap permainan tengah atau akhir mungkin memberikan informasi yang lebih akurat, kemungkinan 2 mengidentifikasi masalah dengan jelas sedini mungkin dan memiliki cukup waktu untuk memperbaikinya untuk hasil yang lebih baik akan sangat berguna bagi pemain di semua tingkat keahlian. Prediktor menang di "DotA 2" dapat mencapai hingga 93% akurasi dibandingkan dengan yang diperoleh sebelumnya 58,69% akurasi [7], tetapi ini hanya terjadi dalam hitungan menit 40 ketika sangat tidak mungkin para pemain dapat mengubah strategi mereka untuk mengubah hasil yang diputuskan. 2 Latar Belakang League of Legends "League of Legends" [8] adalah permainan arena pertempuran online multipemain (MOBA) di mana dua tim di antaranya 3 atau 5 pemain berhadapan. Di sisa laporan ini yang akan kita fokuskan 5- permainan tim pemain saja, karena mekanisme dan strateginya berbeda berdasarkan ukuran tim dan data yang kami gunakan diambil dari 5- permainan tim pemain. Setiap pemain memilih karakter untuk dimainkan (juara) dari 134 saat ini tersedia, masing-masing memiliki 4 kemampuan yang berbeda. Para pemain selanjutnya dapat menyesuaikan juara mereka dalam game dengan mengeluarkan uang emas untuk membeli item (hingga 6 slot inventaris per juara, dengan ekstra 7 th untuk penglihatan item). Semua item memiliki efek pada berbagai statistik karakter: kecepatan gerakan, kecepatan serangan, jangkauan serangan, kerusakan fisik, kerusakan magis, baju besi, ketahanan magis, peluang serangan kritis dan kesehatan, dengan sedikit pengecualian. Ada beberapa item yang meningkatkan emas yang diperoleh dalam situasi tertentu, serta item visi yang dapat ditempatkan di tanah untuk menghilangkan Kabut Perang dari area itu (hanya untuk tim yang memiliki item penglihatan); berbagai jenis item visi ada yang tidak akan kami bahas secara detail, karena ini adalah area untuk pekerjaan masa depan saja dan tidak dibahas lebih lanjut dalam proyek saat ini. Setiap juara juga meningkatkan statistik mereka saat mereka naik level (dengan mendapatkan cukup pengalaman atau XP). Itu 5 melawan 5 permainan dimainkan di peta berbentuk persegi yang disebut "Summoner's Rift". Setiap tim memiliki pangkalan di pojok kanan atas (tim "merah") atau pojok kiri bawah (tim "biru"), yang terdiri dari menara laser besar di mana setiap tim muncul, tepat di sudut, sebuah nexus ( ketika dihancurkan, tim pemilik kehilangan permainan), 2 menara yang melindungi nexus dan 3 penghambat ke arah atas, bawah dan tengah peta (yang tidak menyerang lawan dan respawn saat dihancurkan setelahnya 5 menit). Dari masing-masing inhibitor, sebuah jalur ditarik ke yang sesuai di sisi lain peta, membuat 3 jalur ( bernama "atas", "tengah" atau "tengah" dan "bawah" atau "bot"). Masing-masing jalur dihiasi lebih jauh 3 menara untuk setiap tim, melindungi penghambat. Ini harus dihancurkan untuk dari yang terjauh (jika tidak mereka kebal terhadap kerusakan). Di antara jalur ada "hutan", yang ditutupi dengan Kabut Perang (pemain tidak dapat melihat apa yang ada di sana kecuali pemain lain di tim mereka ada di area tersebut) dan menampung beberapa monster netral (mereka hanya menyerang jika diserang terlebih dahulu) , serta 2 kamp monster epik (setelah Rift Herald / Baron 30 menit waktu dalam game; dan Naga). Monster epik telah meningkatkan kesehatan dan memberikan kerusakan tinggi, membutuhkan juara berlevel tinggi dan sekelompok dari mereka untuk menjatuhkan mereka. Gambar 1 menunjukkan visualisasi ini. Setiap nexus memunculkan gelombang antek di setiap 3 jalur setiap 30 detik, yang menyerang juara musuh, antek musuh, dan struktur musuh. Ketika mereka terbunuh, mereka menghadiahkan emas pemain pembunuh, serta pengalaman kepada mereka dan juara di dekatnya, dalam jarak kecil. Ada 4 berbagai jenis antek: Jarak dekat - memiliki jangkauan serangan pendek, kesehatan sedang; memberi 21 emas dan 59 pengalaman. Kastor - telah lama 3 Gambar 1: Ikhtisar Summoner's Rift Map. jangkauan serangan, kesehatan yang lebih rendah; memberi 14 emas dan 29 pengalaman. Pengepungan - memiliki jangkauan serangan yang jauh dan kesehatan yang tinggi; memberi 60 - 87 emas (berdasarkan waktu dalam game) dan 92 pengalaman. Super - muncul hanya jika penghambat musuh di jalur itu sedang turun; memiliki kesehatan tertinggi, jangkauan serangan rendah dan kerusakan tinggi; memberi 60 - 87 emas dan 97 pengalaman. Perlu dicatat bahwa item tertentu memberi champion emas ketika mereka yang dekat dengan mereka juga membunuh minion. Berdasarkan mekanisme ini, 5 peran pemain yang berbeda muncul yang paling sering digunakan dalam permainan profesional dan peringkat (permainan peringkat memberikan poin tim pemenang dan mengurangi mereka dari tim yang kalah, memungkinkan pemain untuk bertarung untuk mendapatkan poin terbanyak dan peringkat yang lebih baik; kami akan menggunakan jenis antrian peringkat dalam studi ini, berdasarkan asumsi bahwa pemain memberikan yang terbaik dalam game ini): • Laner atas - memulai permainan di jalur teratas, terjauh dari monster epik game awal (Naga); paling sering menjadi juara tank dengan kesehatan lebih dan ketahanan terhadap kerusakan. • Mid laner - memulai permainan di jalur tengah, dekat dengan semua rekan satu tim lainnya; paling sering juara dengan kemampuan magis; mereka sering berpindah ke jalur lain untuk membantu rekan satu tim mereka. • Attack Damage Carry ( AD Carry) - memulai permainan di jalur bot, paling dekat dengan monster epik permainan awal; hampir selalu menjadi juara kerusakan fisik; seringkali mereka mencapai yang tertinggi skor merayap ( CS, hitungan berapa banyak minion atau monster yang mereka bunuh); biasanya mereka memiliki kerusakan tertinggi menjelang akhir permainan dan tim mereka akan berusaha melindungi mereka. • Dukung - memulai permainan di jalur bot, untuk menawarkan bantuan kepada AD Carry; biasanya mereka tidak membunuh minion, mengandalkan ability atau item untuk mendapatkan gold pas- 4 Emas XP Kerusakan Diambil CS Juara musuh Bunuh / Bantu Bunuh / Bantu Sumber - Menara musuh Bunuh / Dalam jangkauan - Sumber - Struktur musuh Bunuh / Dalam jangkauan - - - Membunuh Bunuh / Dalam jangkauan Sumber +1 Monster epik Pembunuhan tim Dalam lingkup Sumber +1 Item khusus Sendiri Sendiri Sumber, jika item - (lain) Musuh antek, monster netral dimiliki atau digunakan oleh champion musuh Item visi Membunuh - - - Lembur + emas - - - Tabel 1: Cara menghasilkan emas, mendapatkan pengalaman ( XP), meningkat skor creep ( CS) dan sumber kerusakan. sively; mereka bertanggung jawab untuk menjaga keamanan rekan satu tim mereka dan menawarkan utilitas (misalnya penglihatan) daripada kerusakan. • Jungler - memulai permainan di hutan di antara jalur, membunuh monster netral untuk mendapatkan emas dan pengalaman; mereka membantu pemain lain di jalur jika memungkinkan, melancarkan serangan mendadak ke musuh di jalur yang sama. Lihat Tabel 1 untuk rekap dari berbagai cara pemain dapat meningkatkan nilai 4 fitur yang kami perhatikan dalam studi ini: gold, XP, damage yang diterima dan CS. . 3 Kumpulan data dan pra-pemrosesan Kumpulan data yang digunakan dalam proyek ini terdiri dari data gameplay yang direkam dari game League of Legends, dikumpulkan dari sumber daya resmi yang dirilis oleh Riot Games 1. Data ini dapat diunduh secara gratis oleh siapa pun dari situs web mereka, setelah proses pendaftaran cepat untuk mendapatkan kunci API. Sepengetahuan kami, semua pengguna terdaftar memiliki akses ke database tanpa perlu persetujuan pendaftaran. Datanya berisi 1000 game, dibagi 10 file JSON yang berbeda 2 dari 100 game masing-masing. Semua pertandingan dilaporkan dari musim 9, versi game 7.17.200.3955, sesuai informasi meta yang tersedia untuk setiap game yang direkam. Semua game dimainkan dalam antrian tertentu, khususnya Ranking Solo 5 v 5, yang terjadi di peta "Summoner's Rift". Semua kode yang digunakan dalam proyek ini dapat ditemukan di GitHub 3. Langkah pra-pemrosesan melibatkan konversi sejumlah besar data dari format file JSON menjadi data ringkasan yang menarik dalam format file CSV. Ini 1 https://developer.riotgames.com/getting-started.html 2 https://s3-us-west-1.amazonaws.com/riot-developer-portal/seed-data/matches [ 1-10]. json 3 https://github.com/rdgain/ExperimentData/tree/LoL-QMUL-EarlyGame-18 5 (a) Jumlah fitur peran "Hutan". (b) Pemencaran hubungan fitur peran "Cary". (c) heat map korelasi fitur peran "Mid". (d) kepadatan fitur peran "Dukungan". Gambar 2: Visualisasi fitur peran pemain individu. selesai dengan skrip python (con fi g.py dan compute.py). Selain itu, semua data digabungkan untuk memudahkan akses. Data yang diformat CSV kemudian dieksplorasi lebih lanjut dengan menggunakan perpustakaan pandas untuk python. Terakhir, data dikurangi menjadi hanya game di mana tepatnya 2 pemain untuk setiap peran dicatat untuk memastikan perkiraan dan asumsi yang kami buat seakurat mungkin. Selain itu, permainan ambigu yang mendefinisikan peran jalur “Bawah” sebagai “DUO” tanpa spesifikasi yang jelas juga akan dihapus. Karena itu, hanya 793 game disimpan dalam data akhir yang digunakan untuk proyek tersebut (sehingga setara dengan 1586 contoh untuk setiap peran pemain). 3.1 Eksplorasi data Keseluruhan data dieksplorasi secara menyeluruh untuk menilai informasi yang tersedia. Akibatnya, beberapa aspek menarik diamati. Pertama, ternyata data gameplay yang direkam itu bersumber 6 berbagai daerah: Brazil ( 1 game), Amerika Utara ( 988 game), Eropa Barat ( 2 game), Eropa Timur Laut ( 5 game), Turki ( 1 game) dan Amerika Latin Utara ( 3 permainan). Ini menyisakan dua opsi, untuk menghapus data dan fokus hanya pada satu wilayah, atau mengabaikan kemungkinan 6 Gambar 3: Fitur semua pemain, termasuk peta panas korelasi fitur. kebisingan beberapa wilayah diperkenalkan untuk mendukung kumpulan data yang lebih besar. Pilihan kedua diputuskan, karena studi yang kami usulkan harus dapat menggeneralisasi lintas wilayah dan tidak bergantung pada kemungkinan perbedaan budaya. Oleh karena itu, semuanya 1000 game digunakan dalam penelitian ini. Aspek lain yang dieksplorasi adalah informasi yang tersedia tentang peran mana yang diambil setiap pemain dalam permainan yang direkam. Secara tradisional, peran yang tersedia, seperti yang dijelaskan di Bagian 2, adalah "Jungle", "Top", "Middle", "Support" dan "AD Carry". Saat mencari peran spesifik ini, ada 2019, 1989, 2015, 1814 dan 1814 melaporkan pemain untuk setiap peran, masing-masing. Jumlah pemain yang harus dimiliki setiap peran adalah 2000, sebagaimana adanya 2 dari setiap peran di setiap game. Oleh karena itu, data dicari untuk semua peran tertentu yang dilaporkan. Jalur yang dilaporkan, yang menyusun peran "Dukungan Bawah" dan "Membawa Bawah" adalah sebagai berikut: { "Bawah": 3977, "Hutan": 2019, "Tengah": 2015, "Puncak": 1989}. Selain itu, peran spesifik dari setiap pemain dilaporkan sebagai berikut: {"Solo": 3907, “Tidak ada”: 2037, "Duo Carry": 1838, "Dukungan Duo": 1838, "Duo": 380}. Ketidakjelasan dalam data mengarah pada kesimpulan bahwa peran dan jalur yang direkam adalah apa yang diminta para pemain ketika mereka bergabung dalam permainan, bukan apa yang akhirnya mereka mainkan. Untuk melanjutkan studi kami, kami membuat asumsi berikut: dalam banyak kasus, sistem pencocokan League of Legends menggunakan peran yang ditentukan oleh para pemain sebagaimana adanya, memberikan prioritas tersebut, oleh karena itu sebagian besar pemain memainkan peran yang tercatat dalam data . Dalam kasus dimana para pemain menerima peran yang berbeda, maka diasumsikan bahwa peran mereka 7 Gambar 4: Visualisasi semua korelasi fitur yang dipisahkan per peran pemain. yang ditentukan adalah spesialisasi mereka dan gaya bermain mereka akan tetap sama bahkan dalam peran yang berbeda. Seperti yang dijelaskan di Bagian 3, data dikurangi menjadi game yang paling relevan, agar asumsi ini tidak dibuat-buat. Untuk setiap peran, fitur yang diidentifikasi sebagai pencocokan dalam jangka waktu 0-10 menit hingga akhir statistik permainan, seperti yang dijelaskan di Bagian 4, diplot untuk mengamati data secara visual. Gambar 2 menunjukkan empat cara berbeda dalam memvisualisasikan data (semua fitur) untuk peran yang berbeda: plot area untuk peran "Hutan" menunjukkan variasi total 1586 pemain, yang paling banyak diamati di CS dan fitur emas; selanjutnya, hubungan antara berbagai fitur untuk peran "Carry" dijelaskan melalui plot pencar, yang menunjukkan korelasi positif yang menarik antara emas dan pengalaman yang diperoleh, serta korelasi negatif antara CS dan kerusakan yang diambil oleh para pemain ini, yang mana dapat mengarah pada gagasan bahwa pemain yang membunuh lebih banyak antek lebih sedikit terlibat dalam pertempuran dan, oleh karena itu, kecil kemungkinannya untuk menerima kerusakan; korelasi antar-fitur diplot sebagai peta panas untuk "Peran tengah", menyoroti korelasi negatif umum semua fitur dengan kerusakan yang terjadi (memperkuat gagasan sebelumnya) - fakta bahwa hal ini kurang terlihat untuk emas menyoroti fakta bahwa Bertarung dengan juara lain adalah salah satu cara untuk mendapatkan emas. Akhirnya, 8 Gambar 5: Peran pemain dalam kaitannya dengan emas, dipisahkan dalam tim menang dan kalah. Demikian pula, semua fitur tetapi tanpa dipisahkan oleh peran pemain menunjukkan pola yang menarik dalam data, lihat Gambar 3. Menarik untuk mengamati plot kotak, menunjukkan banyak pencilan untuk fitur emas dan kerusakan yang diambil, menunjukkan bahwa ada perbedaan antara peran pemain terkait dua fitur ini secara khusus. Selain itu, pemain "Dukungan" dengan jelas disorot dalam plot kepadatan CS. Terakhir, semua fitur dan semua korelasi peran pemain diplot untuk perbandingan dalam peta panas pada Gambar 4. Di sini sangat menarik untuk mengamati korelasi positif di sudut kanan bawah, yang menunjukkan ketergantungan "Carry" dan "Sup- peran pelabuhan: penampilan mereka tampaknya terkait erat. Pengamatan lain yang sangat menarik adalah korelasi negatif fitur CS "Hutan" dengan sebagian besar fitur "Menengah" dan "Atas" - ini menunjukkan bahwa "Jungler" yang lebih fokus untuk membunuh monster netral di hutan cenderung tidak membantu rekan satu tim mereka , dan karena itu berdampak negatif pada kinerja mereka. Hubungan lebih lanjut antara fitur yang berbeda diperiksa melalui plot biola dari perpustakaan Seaborn. Keuntungan dari plot ini adalah menggabungkan plot kotak dengan prosedur estimasi kepadatan kernel [9]. Gambar 5 menunjukkan bagaimana berbagai peran terbentuk dalam 10 menit pertama permainan. Tren kecil dapat diamati di mana tim pemenang cenderung memiliki lebih banyak emas di tahap awal permainan ini daripada tim yang kalah. Dari semua fitur emas tampaknya menjadi salah satu fitur yang secara visual memberikan indikasi terkuat dari korelasi antara performa permainan awal dan kemenangan. Ini perlu diperiksa lebih lanjut untuk memastikan apakah memang ada korelasi. 9 4 Pendekatan Berdasarkan studi sebelumnya [7] dan detail dalam data yang tersedia, fitur yang kami pilih untuk analisis kami adalah sebagai berikut: • Skor creep ( CS): jumlah minion dan monster hutan yang terbunuh • Emas: jumlah emas yang dikumpulkan, yang dihasilkan dari antek, monster hutan, atau pembunuh juara • Pengalaman ( XP): jumlah pengalaman yang diperoleh, yang dihasilkan dari kedekatan dengan minion, monster hutan, atau pembunuhan juara • Kerusakan yang terjadi: jumlah kerusakan yang diambil dari sumber mana pun Bersama-sama, fitur-fitur ini dapat menggambarkan kinerja masing-masing pemain, serta kinerja tim. Oleh karena itu, kami melakukan eksperimen untuk menganalisis korelasi antara permainan awal dan kinerja pemain akhir, serta korelasi antara permainan awal dan kinerja tim final. Selain itu, kami melatih model pada data kami untuk memprediksi hasil satu pertandingan berdasarkan kinerja peran pemain individu ("Top", "Jungle", "Mid", "Support" dan "Carry") di awal permainan. 4.1 Klasi fi kasi Menang / Gagal 7 klasifikasi yang berbeda dalam pustaka sklearn python [10] digunakan untuk mengklasifikasikan game sesuai dengan fitur game awal yang diidentifikasi. (classi fi cation.py) Hasil mereka dianalisis dan dibandingkan, untuk memastikan bahwa hasil yang diperoleh cukup akurat dan bukan karena salah satu klasifikasi terlalu pas atau kinerjanya yang buruk pada kumpulan data ini. Klasifikasi yang dipilih adalah yang cukup umum dari sklearn library, kualitas dan kinerjanya mulai dari keputusan yang sangat sederhana (dan terkadang lebih buruk daripada acak) hingga analisis statistik yang kompleks: • K-Tetangga Terdekat (n tetangga = 3) • Pohon Keputusan (kedalaman maks = 5) • Random Forest (kedalaman maks = 5, 10 penduga, fitur maks = 1) • Perceptron multi-layer (alpha = 1) • AdaBoost-SAMME [11] (default) • Gaussian Naive Bayes (default) • Dummy (default), prediktor aturan sederhana Kelas targetnya adalah 'Menang' atau 'Gagal'. Kumpulan data yang tersedia berisi 50% dari game dimenangkan dan 50% game hilang. Oleh karena itu, prediktor yang selalu mengembalikan 'Gagal' atau 'Menang' akan mendapatkan file 50% ketepatan. Ini dibagi menjadi set pelatihan dan tes dengan a 0.2 perbandingan. 10 Selama pelatihan, validasi silang 10 kali lipat digunakan. Dalam kebanyakan kasus, klasifikasi tidak dapat mencapai akurasi di atas 55% dalam fase validasi (semua klasifikasi berada di bawah nilai ini untuk peran "Hutan"). Untuk peran lainnya, klasifikasi AdaBoost, Naive Bayes, Random Forest dan Decision Tree mampu mencapai akurasi validasi antara 55% dan 60%. Hasil terbaik diberikan oleh klasifikasi Random Forest pada peran "Mid", dari 59% (+/- 0,09) ketepatan. 5 Hasil dan Pembahasan 5.1 Pertandingan awal - Mengakhiri korelasi pemain individu Secara umum, ada korelasi positif kecil antara performa game awal dan hasil keseluruhan game akhir dari masing-masing pemain. Gambar 6 menunjukkan korelasi ini untuk peran "Tengah", fitur CS. Ini adalah salah satu korelasi yang paling menonjol, di 0,499, p- nilai << 0,01 menurut uji statistik Pearson. Korelasi tertinggi secara keseluruhan sebenarnya 0,55 dengan p- nilai << 0,01 untuk peran "Dukungan" dalam fitur CS. Korelasi terkecil ditemukan untuk peran "Atas" di semua fitur, terkecil dalam emas di 0.21. Hal ini menunjukkan bahwa peran "Top" paling tidak bergantung pada game awal terkait kinerja individu, sedangkan game awal "Mid" dan "Support" memiliki pengaruh paling besar dalam hasil akhir individu mereka. Tidak ada perbedaan signifikan yang diamati di mana tim menang dan kalah diperhatikan - korelasi pemain individu ini tampaknya tidak menjadi indikasi untuk hasil permainan. 5.2 Pertandingan awal - Mengakhiri korelasi tim permainan Selanjutnya kami memverifikasi korelasi antara kinerja permainan awal pemain individu dengan kinerja tim permainan akhir secara keseluruhan. Ini umumnya jauh lebih rendah dari yang diamati sebelumnya, mencapai maksimum 0.21 untuk peran "Mid" dalam fitur CS, lihat Gambar 7. Karena korelasi tertinggi diamati dalam fitur CS, Tabel 2 menunjukkan semua Pearson r nilai untuk peran yang berbeda, serta yang sesuai p- nilai. Sebagian besar hasilnya signifikan p < 5, kecuali peran "Hutan". Sangat menarik untuk mengamati variabilitas yang tinggi dalam performa "Junglers", serta korelasi rendah yang terlihat pada peran "Carry", yang diharapkan dapat meningkatkan CS mereka di early game sebagai sumber pendapatan utama mereka untuk item yang lebih baik nanti di. Hal ini dapat dijelaskan dengan "Membawa" yang beralih dari membunuh minion ke membunuh juara menuju tahap selanjutnya dalam permainan, sehingga mengurangi korelasi. Akhirnya, Tabel 3 melihat kinerja pemain individu permainan akhir dibandingkan dengan kinerja tim secara keseluruhan, untuk fitur CS yang sama yang menunjukkan nilai korelasi tertinggi. Hal ini menunjukkan bahwa secara umum peran "Top", "Mid", dan "Carry" memperoleh CS paling banyak selama permainan, sedangkan peran "Support" paling sedikit menghitung, semua hasil yang diharapkan, tetapi wawasan yang menarik. 11 Pertengahan 400 350 Skor Creep Game Mid End 300 250 200 150 100 50 0 2 4 6 8 Skor Creep Pertengahan Awal Gambar 6: CS dari korelasi peran “Mid” game awal dengan CS game akhir dari peran yang sama. Kemenangan (hijau) dan kekalahan (merah) disorot. Kor Wewenang p- nilai Hutan << 0,01 0,99 Puncak 0.17 << 0,01 Pertengahan 0.21 << 0,01 << 0,01 Dukungan 0.1 Membawa 0.15 << 0,01 Tabel 2: Korelasi antara CS game awal setiap peran vs CS tim. Hasilnya signifikan jika p- nilai < 0,05, menurut uji statistik Pearson. 5.3 Klasifikasi Menang / Gagal Selama pengujian, hasil dari semua klasifikasi yang dieksplorasi untuk "Peran hutan" sekali lagi tidak memuaskan, mirip dengan fase validasi. Hasil terbaik yang diperoleh adalah 62% untuk Top ( f 1 skor = 0,63, Kelas Random Forest), 61% untuk dukungan ( f 1 skor = 0,61, Kelas Naive Bayes) dan 61% untuk Carry ( f 1 skor = 0,62, Kelas AdaBoost). Meskipun akurasi yang diberikan oleh klasifikasi tidak terlalu tinggi, itu masih secara signifikan lebih baik daripada random dalam banyak kasus. Karena League of Legends adalah permainan yang sangat bervariasi, dengan banyak variabel yang dapat menimbulkan gangguan di semua hasil, ini dapat dianggap sebagai hasil yang memuaskan, dengan kemungkinan untuk meningkatkan akurasi kelas dengan lebih banyak 12 Pertengahan 1200 Skor Creep Game Akhir Tim 1000 800 600 400 200 2 4 6 8 Mid Creep Score Gambar 7: CS dari korelasi peran "Mid" game awal dengan CS tim. Kemenangan (hijau) dan kekalahan (merah) disorot. Kor Wewenang Hutan 0.5516730701595891 << 0.01 Puncak 0.7832963161382542 0.0 Pertengahan 0.7556678847415031 << 0.01 p- nilai Dukungan 0.4415102617837788 << 0.01 Membawa 0.8256292303798384 0.0 Tabel 3: Korelasi antara CS permainan akhir setiap peran vs CS tim. Hasilnya signifikan jika p- nilai < 0,05, menurut uji statistik Pearson. data dan lebih banyak fitur yang diekstrak dari gameplay. Kesimpulan lain yang dapat ditarik dari hasil ini adalah bahwa permainan awal paling penting 3 peran khususnya: "Top", "Support" dan "Carry". Oleh karena itu, studi lebih lanjut bisa menjadi dua kali lipat. Di satu sisi, analisis lebih dalam tentang ini 3 peran dapat dilakukan untuk mengidentifikasi alasan lebih lanjut mengapa mereka lebih mengandalkan kinerja game awal daripada yang lain. Di sisi lain, peran "Jungle" dan "Mid" dapat dilihat untuk mengidentifikasi detail lain dari performa game awal yang benar-benar membuat perbedaan (misalnya, pilihan jalur peran "Jungle" atau kontrol "Mid" dari jalur; kedua fitur ini, bagaimanapun, akan membutuhkan data posisi). 13 Selama pelatihan, fitur yang paling penting per peran (urutannya adalah: [CS, Gold, XP, Damage]), menurut implementasi sklearn dari Klasifikasi Pohon Keputusan, diidentifikasi sebagai berikut: • Hutan: [ 0,0327 0,399 0.178 0,391] - Emas dan Kerusakan yang Diambil • Atas: [ 0.137 0.282 0.411 0,169] - XP • Pertengahan: [ 0.122 0,558 0,154 0,169] - Emas • Dukung: [ 0,057 0,289 0,349 0,304] - XP • Bawa: [ 0,025 0.474 0,287 0,214] - Emas • Keseluruhan / semua pemain: [ 0,033 0.373 0.178 0,416] - Kerusakan yang Diambil dan Emas • Keseluruhan / tim: [ 0 0,018 0,053 0,025 0,038 0,025 0.130 0,021 0,067 0.248 0,017 0,099 0 0,058 0,032 0 0,010 0.130 0,027 0] Hasil yang diharapkan adalah bahwa peran "Dukungan" tidak terlalu bergantung pada fitur CS atau Emas, karena fokus utama mereka adalah membantu "Membawa" dalam mendapatkan Emasnya. Namun, menarik untuk mengamati bahwa laner "Top" sangat bergantung pada pengalaman game awal yang diperoleh, serta lebih banyak mendapatkan keuntungan dari CS daripada sebagian besar peran lainnya. Fakta bahwa peran "Hutan" harus meminimalkan kerusakan yang diambil adalah penemuan menarik lainnya, terutama karena ini dan Emas yang diperoleh dihargai lebih tinggi daripada CS atau pengalaman yang diperoleh. Ini bisa berarti bahwa "Jungler" yang sukses lebih fokus pada tetap sehat saat bercocok tanam di hutan pada tahap awal dan membantu rekan satu tim mereka, daripada sekadar membunuh monster hutan untuk keuntungan mereka sendiri. Ketika semua pemain disertakan untuk klasifikasi permainan awal secara keseluruhan, hasilnya menunjukkan bahwa fitur Emas dan kerusakan yang diambil adalah yang paling penting. Tentu saja CS memang mengarah pada peningkatan Gold secara alami, namun karena ada sumber Gold lain, hal ini mengarah pada kesimpulan bahwa CS sebenarnya bukanlah sumber pendapatan utama di early game, seperti yang sering disorot oleh pemain berpengalaman. Jika seluruh tim dievaluasi (yaitu, semua fitur untuk semua pemain di satu tim termasuk sebagai titik data), maka ternyata fitur yang paling penting adalah pengalaman laner "Teratas" dan Emas yang diperoleh oleh " Mid "laner dan" Carry ". Bertentangan dengan hasil sebelumnya, ini menunjukkan bahwa peran "Mid" lebih signifikan untuk kinerja tim daripada "Dukungan", tetapi juga lebih bergantung pada kinerja tim lainnya, sedangkan "Dukungan" tampaknya menjadi lebih mandiri daripada peran "Menengah". 6 Kesimpulan dan Pekerjaan Masa Depan Proyek ini difokuskan untuk mempelajari dampak dari performa game awal masing-masing pemain terhadap hasil pertandingan di game multiplayer online battle arena (MOBA) "League of Legends". Kami berhipotesis bahwa permainan awal memang memiliki dampak tinggi pada hasil pertandingan. Sejauh ini, kami menganalisis data dari game berperingkat 5v5 yang dimainkan di peta "Summoner's Rift", menggunakan empat fitur sebagai ukuran 14 kinerja: pengalaman yang diperoleh (atau XP), emas, kerusakan yang diterima, dan skor creep (atau CS, jumlah minion dan monster yang terbunuh). Kami mulai dengan memverifikasi korelasi antara permainan awal pemain individu dan kinerja permainan akhir dan mengamati bahwa pemain "Top" paling tidak mungkin terpengaruh oleh kinerja permainan awal mereka, sedangkan peran "Menengah" dan "Membawa" melihat permainan awal yang lebih besar dampak. Ini paling menonjol di fitur CS, diikuti oleh kerusakan yang dilakukan oleh pemain. Selanjutnya, kami memeriksa korelasi antara kinerja permainan awal individu dan kinerja tim permainan akhir secara keseluruhan - ada penurunan korelasi yang diharapkan, khususnya untuk peran "Hutan". Korelasi negatif yang menarik antara peran CS "Hutan" dan sebagian besar fitur dari peran "Atas" dan "Menengah" menunjukkan bahwa "Jungler" yang menghabiskan lebih banyak waktu untuk membunuh monster hutan cenderung tidak membantu rekan satu tim mereka, yang mengarah ke kinerja yang lebih buruk; namun, Dampak yang diamati dari kinerja permainan awal pada individu permainan akhir, serta kinerja tim secara keseluruhan menolak hipotesis nol, meskipun nilai korelasi yang rendah juga tidak mengkonfirmasi hipotesis kami. Terakhir, kami membangun model prediktif berdasarkan fitur game awal yang diidentifikasi untuk setiap peran, dengan maksud untuk memprediksi hasil game berdasarkan kinerja setiap peran individu. Kami dulu 7 klasifikasi yang berbeda untuk mencoba mendapatkan model terbaik, memperoleh 61 - 62% akurasi untuk semua peran pemain. Dengan menganalisis pentingnya fitur yang ditentukan oleh Klasemen Pohon Keputusan, kami menemukan bahwa peran "Hutan" harus bertujuan untuk meminimalkan kerusakan yang terjadi di awal permainan, serta fakta bahwa "Junglers" yang lebih fokus membantu rekan satu tim mereka daripada membunuh hutan. monster memiliki peluang lebih tinggi untuk memenangkan permainan. Selain itu, fitur CS tidak memiliki pengaruh yang tinggi dalam peran "Carry" dan "Mid" bahkan di awal game, menyarankan pemain yang agresif untuk lebih sukses daripada yang pasif. Hasil juga menunjukkan bahwa peran "Top" dan "Support" harus paling fokus pada mendapatkan pengalaman dan naik level agar dapat lebih mendukung rekan satu tim mereka, daripada peningkatan CS atau emas mereka sendiri. Akurasi yang relatif rendah ini disebabkan permainan yang sangat bising dan penuh ketidakpastian, seperti yang dianalisis oleh Ferrari di [12]. Namun, hasil yang dilaporkan sangat positif, karena hanya fitur permainan awal yang dipertimbangkan; di [7], Yang et al. metode mencapai 67% akurasi dalam memprediksi hasil DotA 2 di 10 menit tanpa fitur sebelumnya (menggunakan emas, pengalaman dan kematian sebagai indikator kinerja). Mempertimbangkan peningkatan kompleksitas dalam masalah yang dipelajari dalam pekerjaan kami, hasil kami sebanding dengan keadaan seni di bidang prediksi hasil MOBA. Mengenai pekerjaan di masa depan, kami berencana menambahkan lebih banyak fitur untuk model kinerja pemain yang lebih baik, seperti pembunuhan / kematian / assist di 10 menit dibandingkan dengan hasil keseluruhan, data posisi dan komunikasi (yaitu ping), serta data vision. Selain itu, kami akan mempertimbangkan untuk memasukkan data historis pemain ke dalam analisis, yang akan memberikan peningkatan akurasi yang besar untuk prediktor hasil pertandingan kami. Hasil ini tidak hanya dapat digunakan untuk memungkinkan pemain meningkatkan kinerja mereka selama permainan, dengan menerima informasi tentang fitur apa yang menyebabkan prediktor saat ini menunjukkan kerugian dan memungkinkan mereka untuk memperbaiki masalah, tetapi juga untuk mengubah permainan sehingga untuk memberikan pengalaman pemain terbaik sejak awal 15 dari pertandingan; menggunakan analisis data pemain dalam pengembangan game adalah praktik umum yang terlihat di area penelitian Prosedural Content Generation [13], tetapi juga diadaptasi untuk game komersial (seperti "Battle Islands", yang menggunakan analisis data pemain untuk menyeimbangkan game dan meningkatkan pemain penyimpanan). Referensi [1] MS El-Nasr, A. Drachen, dan A. Canossa, Eds., Analisis Game, Memaksimalkan Nilai Data Pemain. Springer, 2013. [2] U. of York DC Labs dan ESL, “Menangkap yang luar biasa: Echo membawa esport statistik untuk hidup, ”di tersedia online: https://tinyurl.com/ybo7xbe4, Oktober 2017. [3] A. Belicza, "Scelight," di tersedia online: ttps: //sites.google.com/site/scelight. [4] P. Yang, BE Harrison, dan DL Roberts, “Mengidentifikasi pola dalam pertempuran itu adalah prediksi kesuksesan dalam game MOBA, ”di FDG, 2014. [5] V. Hodge, S. Devlin, N. Sephton, F. Block, A. Drachen, dan P. Cowling, “Menang Prediksi di Esports: Prediksi Pertandingan Tingkat-Campuran di Game Arena Pertarungan Online Multipemain, ” arXiv pracetak arXiv: 1711.06498, 2017. [6] YJ Kim, D. Engel, AW Woolley, JY-T. Lin, N. McArthur, dan TW Malone, "Apa yang Membuat Tim Kuat ?: Menggunakan Kecerdasan Kolektif untuk Memprediksi Performa Tim di League of Legends," di CSCW, 2017, hlm. 2316–2329. [7] Y. Yang, T. Qin, dan Y.-H. Lei, "Prediksi Hasil Pertandingan eSports Waktu Nyata", arXiv pracetak arXiv: 1701.03162, 2016. [8] Riot Games, “League of legends,” Permainan komputer, 2009. [9] Seaborn.pydata.org, “Merencanakan dengan data kategorikal - seaborn 0.8.1 documenta- tion. " [On line]. Tersedia: https://seaborn.pydata.org/tutorial/categorical.html [10] L. Buitinck, G. Louppe, M. Blondel, F. Pedregosa, A. Mueller, O. Grisel, V. Niculae, P. Prettenhofer, A. Gramfort, J. Grobler, R. Layton, J. VanderPlas, A. Joly, B. Holt, dan G. Varoquaux, "desain API untuk perangkat lunak pembelajaran mesin: pengalaman dari proyek scikit-learn," di Lokakarya PKDD ECML: Bahasa untuk Penambangan Data dan Pembelajaran Mesin, 2013, hlm. 108–122. [11] J. Zhu, S. Rosset, H. Zou, dan T. Hastie, “AdaBoost Multi-kelas,” Ann Arbor, vol. 1001, tidak. 48109, hal. 1612, 2006. [12] S. Ferrari, “Dari Permainan Generatif ke Konvensional: MOBA dan League of Legberakhir di Konferensi DiGRA, 2013. [13] N. Shaker, GN Yannakakis, dan J. Togelius, “Menuju Personalisasi Otomatis Pembuatan Konten untuk Game Platform, "di AIIDE, 2010. 16