論文の概要: League of Legends: Real-Time Result Prediction
- arxiv url: http://arxiv.org/abs/2309.02449v1
- Date: Sat, 2 Sep 2023 02:01:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-07 18:20:14.640953
- Title: League of Legends: Real-Time Result Prediction
- Title(参考訳): League of Legends: リアルタイムの成果予測
- Authors: Jailson B. S. Junior and Claudio E. C. Campelo
- Abstract要約: 本稿では,機械学習技術を用いて,電子ゲームリーグ・オブ・レジェンド(LoL)の試合結果の予測について検討する。
様々なモデルが評価され、その結果が奨励された。
この研究は、電子ゲームに応用された機械学習の分野に寄与し、League of Legendsにおけるリアルタイム予測に関する貴重な洞察を提供する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a study on the prediction of outcomes in matches of the
electronic game League of Legends (LoL) using machine learning techniques. With
the aim of exploring the ability to predict real-time results, considering
different variables and stages of the match, we highlight the use of
unpublished data as a fundamental part of this process. With the increasing
popularity of LoL and the emergence of tournaments, betting related to the game
has also emerged, making the investigation in this area even more relevant. A
variety of models were evaluated and the results were encouraging. A model
based on LightGBM showed the best performance, achieving an average accuracy of
81.62\% in intermediate stages of the match when the percentage of elapsed time
was between 60\% and 80\%. On the other hand, the Logistic Regression and
Gradient Boosting models proved to be more effective in early stages of the
game, with promising results. This study contributes to the field of machine
learning applied to electronic games, providing valuable insights into
real-time prediction in League of Legends. The results obtained may be relevant
for both players seeking to improve their strategies and the betting industry
related to the game.
- Abstract(参考訳): 本稿では,機械学習技術を用いて,電子ゲームリーグ・オブ・レジェンド(LoL)の試合結果の予測について検討する。
マッチングの異なる変数とステージを考慮し、リアルタイム結果を予測する能力を検討することを目的として、未公開データをこのプロセスの基本的な部分として用いることを強調する。
LoLの人気が高まり、トーナメントの出現とともに、ゲームに関連した賭けも出現し、この分野の調査はさらに関連性を高めている。
様々なモデルが評価され、結果は奨励された。
lightgbmに基づくモデルが最も優れた性能を示し、経過時間の割合が60\%から80\%の間であれば、マッチの中間段階で平均81.62\%の精度を達成した。
一方、ロジスティック回帰と勾配強化モデルはゲームの初期段階でより効果的であることが証明され、有望な結果が得られた。
この研究は、電子ゲームに適用される機械学習の分野に貢献し、league of legendsのリアルタイム予測に対する貴重な洞察を提供する。
得られた結果は、戦略の改善を目指すプレイヤーと、ゲームに関連する賭け業界の両方に関係があるかもしれない。
関連論文リスト
- Lasso Ridge based XGBoost and Deep_LSTM Help Tennis Players Perform better [1.6016817180824583]
プレイヤーの性能を評価し,運動量効果を定量化するために,スライディングウインドウを用いたスコアリングモデルを開発した。
本稿では、LSTM_Deepモデルを用いて、ゲーム変動を定量化するための勝利率アルゴリズムの導出法を提案する。
本研究は,運動量動態とゲームゆらぎに着目し,スポーツ分析や選手のトレーニング戦略に影響を及ぼすことを示す。
論文 参考訳(メタデータ) (2024-05-11T15:02:08Z) - The Evolution of Football Betting- A Machine Learning Approach to Match Outcome Forecasting and Bookmaker Odds Estimation [0.0]
本稿では,プロサッカーの歴史と賭け産業を探求し,その発展過程を生かし,収益性の高い数百万ポンド規模の企業へと辿り着く。
1960年にギャンブルの合法化が始まり、ハロルド・チャールズ・リープが開拓したサッカーデータ収集の進歩によって補完され、これらの分野間の共生関係は急速な成長と革新を促した。
本研究の目的は,MLアルゴリズムを用いてプレミアリーグフットボールの試合結果を予測することである。
論文 参考訳(メタデータ) (2024-03-24T20:08:16Z) - Bayes-xG: Player and Position Correction on Expected Goals (xG) using
Bayesian Hierarchical Approach [55.2480439325792]
本研究は, 期待目標(xG)測定値を用いて, 目標となるショットの予測における選手や位置要因の影響について検討した。
StatsBombの公開データを使って、イングランドのプレミアリーグから1万発のショットを分析している。
この研究は、スペインのラ・リガとドイツのブンデスリーガのデータに分析を拡張し、同等の結果を得た。
論文 参考訳(メタデータ) (2023-11-22T21:54:02Z) - 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) - Machine learning models for DOTA 2 outcomes prediction [8.388178167818635]
本研究は,Dota 2 MOBAゲームの結果を特定するための予測機械学習モデルとディープラーニングモデルの構築に主に焦点をあてる。
リニア回帰(LR)、ニューラルネットワーク(NN)、リカレントニューラルネットワーク(LSTM)の3つのモデルについて検討・比較を行った。
論文 参考訳(メタデータ) (2021-06-03T12:10:26Z) - Models, Pixels, and Rewards: Evaluating Design Trade-offs in Visual
Model-Based Reinforcement Learning [109.74041512359476]
視覚的MBRLアルゴリズムにおける予測モデルの設計決定について検討する。
潜在空間の使用など、しばしば重要と見なされる設計上の決定は、タスクのパフォーマンスにはほとんど影響しないことが分かりました。
我々は,この現象が探索とどのように関係しているか,および標準ベンチマークにおける下位スコーリングモデルのいくつかが,同じトレーニングデータでトレーニングされた場合のベストパフォーマンスモデルと同等の性能を発揮するかを示す。
論文 参考訳(メタデータ) (2020-12-08T18:03:21Z) - Combining Machine Learning and Human Experts to Predict Match Outcomes
in Football: A Baseline Model [14.121432441882895]
サッカーの試合における試合結果予測のための新しいアプリケーション指向ベンチマークデータセット(soccer)を提案する。
我々のデータセットは、イングランド・プレミアリーグの6シーズンにわたる代表的時期に焦点を当てており、ガーディアン紙の新聞試合プレビューも含んでいる。
本論文で示したモデルは,従来の統計手法の6.9%向上を示す63.18%の精度を達成した。
論文 参考訳(メタデータ) (2020-12-08T11:52:14Z) - 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) - Model-Based Reinforcement Learning for Atari [89.3039240303797]
エージェントがモデルフリーの手法よりも少ないインタラクションでAtariゲームを解くことができることを示す。
本実験は,エージェントと環境間の100kの相互作用の少ないデータ構造における,AtariゲームにおけるSimPLeの評価である。
論文 参考訳(メタデータ) (2019-03-01T15:40:19Z)
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。