論文の概要: Prediction of the final rank of Players in PUBG with the optimal number
of features
- arxiv url: http://arxiv.org/abs/2107.09016v1
- Date: Thu, 1 Jul 2021 07:44:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-25 14:13:03.575090
- Title: Prediction of the final rank of Players in PUBG with the optimal number
of features
- Title（参考訳）: 最適特徴量によるpubgにおけるプレーヤの最終ランクの予測
- Authors: Diptakshi Sen, Rupam Kumar Roy, Ritajit Majumdar, Kingshuk Chatterjee,
Debayan Ganguly
- Abstract要約: 本稿では,選手のスキルと能力に基づいて最終順位を予測することに焦点を当てる。
我々は、29の特徴を持つkaggleから得られたデータセット上で、さまざまな機械学習アルゴリズムを使用してプレイヤーの最終ランクを予測した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: PUBG is an online video game that has become very popular among the youths in
recent years. Final rank, which indicates the performance of a player, is one
of the most important feature for this game. This paper focuses on predicting
the final rank of the players based on their skills and abilities. In this
paper we have used different machine learning algorithms to predict the final
rank of the players on a dataset obtained from kaggle which has 29 features.
Using the correlation heatmap,we have varied the number of features used for
the model. Out of these models GBR and LGBM have given the best result with the
accuracy of 91.63% and 91.26% respectively for 14 features and the accuracy of
90.54% and 90.01% for 8 features. Although the accuracy of the models with 14
features is slightly better than 8 features, the empirical time taken by 8
features is 1.4x lesser than 14 features for LGBM and 1.5x lesser for GBR.
Furthermore, reducing the number of features any more significantly hampers the
performance of all the ML models. Therefore, we conclude that 8 is the optimal
number of features that can be used to predict the final rank of a player in
PUBG with high accuracy and low run-time.
- Abstract（参考訳）: PUBGはオンラインビデオゲームで、近年若者の間で人気が高まっている。
ファイナルランク(final rank)は、プレイヤーのパフォーマンスを示すもので、このゲームで最も重要な特徴の1つである。
本稿では,選手のスキルと能力に基づいて最終順位を予測することに焦点を当てる。
本稿では,29個の特徴を有するkaggleから得られたデータセット上で,プレイヤーの最終ランクを予測するために,異なる機械学習アルゴリズムを用いた。
相関ヒートマップを用いて、モデルに使用される特徴の数を変化させた。
これらのモデルのうちgbrとlgbmは、14の機能でそれぞれ91.63%と91.26%の精度、8機能で90.54%と90.01%の精度で最高の結果を得た。
14つの特徴を持つモデルの精度は8つの特徴よりわずかに優れているが、8つの特徴によって取られる経験的時間はLGBMの14つの特徴の1.4倍、GBRの1.5倍小さい。
さらに、機能の数を減らすことで、すべてのMLモデルのパフォーマンスが大幅に損なわれる。
そこで本研究では,PUBGにおけるプレイヤーの最終ランクを高精度かつ低実行時間で予測できる特徴量として8が最適であることを示す。
関連論文リスト
- A Graph-Based Method for Soccer Action Spotting Using Unsupervised
Player Classification [75.93186954061943]
アクションスポッティングには、ゲームのダイナミクス、イベントの複雑さ、ビデオシーケンスのバリエーションを理解することが含まれる。
本研究では, (a) 選手, 審判, ゴールキーパーをグラフのノードとして識別し, および (b) 時間的相互作用をグラフのシーケンスとしてモデル化することによって, 前者に焦点を当てる。
プレーヤ識別タスクでは,他のモダリティと組み合わせることで,平均mAPの57.83%の総合的な性能が得られる。
論文 参考訳（メタデータ） (2022-11-22T15:23:53Z) - GCN-WP -- Semi-Supervised Graph Convolutional Networks for Win
Prediction in Esports [84.55775845090542]
本稿では,グラフ畳み込みネットワークに基づくエスポートに対する半教師付き勝利予測モデルを提案する。
GCN-WPはマッチとプレーヤに関する30以上の機能を統合し、近隣のゲームを分類するためにグラフ畳み込みを使用している。
本モデルは,LLの機械学習やスキル評価モデルと比較して,最先端の予測精度を実現する。
論文 参考訳（メタデータ） (2022-07-26T21:38:07Z) - Prediction of Football Player Value using Bayesian Ensemble Approach [13.163358022899335]
そこで本研究では,FIFAデータ分析に基づいて,世界トップのサッカー選手の移籍手数料に影響を及ぼす要因について事例研究を行った。
各プレイヤーの市場価値を予測するため,木構造パーゼンエミュレータ(TPE)アルゴリズムを用いて改良されたLightGBMモデルを提案する。
論文 参考訳（メタデータ） (2022-06-24T07:13:53Z) - Explainable expected goal models for performance analysis in football
analytics [5.802346990263708]
本報告では,2014-15年と2020-21年の7シーズンから315,430発のショットをトレーニングした,欧州サッカーリーグのトップ5のゴールモデルを提案する。
我々の知る限りでは、この論文は、プロファイルを集約した説明可能な人工知能ツールの実用的な応用を実証した最初の論文である。
論文 参考訳（メタデータ） (2022-06-14T23:56:03Z) - CommonsenseQA 2.0: Exposing the Limits of AI through Gamification [126.85096257968414]
現代自然言語理解モデルの能力をテストするベンチマークを構築した。
本研究では,データ構築の枠組みとしてゲーミフィケーションを提案する。
論文 参考訳（メタデータ） (2022-01-14T06:49:15Z) - Player Modeling using Behavioral Signals in Competitive Online Games [4.168733556014873]
本稿では,マッチング作成のためのプレイヤーのモデリングにおいて,演奏行動の異なる側面に対処することの重要性に焦点をあてる。
75,000以上のバトルロイヤルマッチのデータセットからいくつかの行動特性を設計し、プレイヤーモデルを作成しました。
次に、作成したモデルを使用して、データ内のさまざまなプレイヤーのグループのランクを予測します。
論文 参考訳（メタデータ） (2021-11-29T22:53:17Z) - Predicting Events in MOBA Games: Dataset, Attribution, and Evaluation [37.16502752193698]
本研究では,MOBAゲーム『Honor of Kings』のゲーム内機能を含む大規模データセットを収集,リリースする。
次に,2つのグラデーションに基づくアトリビューション手法を用いて,入力特徴に対する予測をアトリビュートすることにより,4種類の重要事象を解釈可能な方法で予測することを提案する。
論文 参考訳（メタデータ） (2020-12-17T07:28:35Z) - Detecting Video Game Player Burnout with the Use of Sensor Data and
Machine Learning [15.838305794790022]
本研究では,センサデータ分析に基づいて,プレイヤーが今後の出会いに勝つかどうかを予測する手法を提案する。
センサデータは、リーグ・オブ・レジェンドズ(League of Legends)の22試合の参加者10名から収集された。
われわれはTransformerやGated Recurrent Unitといった機械学習モデルを訓練し、将来一定時間後にプレイヤーが遭遇するかどうかを予測する。
論文 参考訳（メタデータ） (2020-11-29T21:16:09Z) - Interpretable Real-Time Win Prediction for Honor of Kings, a Popular
Mobile MOBA Esport [51.20042288437171]
本研究では,2段階空間時間ネットワーク(TSSTN)を提案する。
実世界のライブストリーミングシナリオにおける実験結果と応用により,提案したTSSTNモデルは予測精度と解釈可能性の両方において有効であることが示された。
論文 参考訳（メタデータ） (2020-08-14T12:00:58Z) - Predicting MOOCs Dropout Using Only Two Easily Obtainable Features from
the First Week's Activities [56.1344233010643]
いくつかの特徴は、学習者の誘惑や興味の欠如に寄与すると考えられており、そのことが解脱や総減退につながる可能性がある。
この研究は、いくつかの機械学習アプローチを比較して、最初の1週間から早期のドロップアウトを予測することを目的としている。
論文 参考訳（メタデータ） (2020-08-12T10:44:49Z) - HRank: Filter Pruning using High-Rank Feature Map [149.86903824840752]
我々は高階特徴写像(HRank)を探索する新しいフィルタ刈り法を提案する。
私たちのHRankは、単一のフィルタで生成された複数の特徴マップの平均ランクが常に同じであるという発見にインスピレーションを受けています。
HRankに基づいて,低ランク特徴写像を持つプーンフィルタに数学的に定式化する手法を開発した。
論文 参考訳（メタデータ） (2020-02-24T11:50:09Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。