League of Legends: Real-Time Result Prediction
Diese Arbeit stellt eine Machine-Learning-Studie zur Vorhersage des Matchausgangs von League of Legends in Echtzeit vor, die zeigt, dass ein LightGBM-Modell in den mittleren Phasen eine Genauigkeit von 81,62 % erreicht, während Logistische Regression und Gradient Boosting in den frühen Phasen besser abschneiden, und liefert damit wertvolle Erkenntnisse sowohl für die Spielstrategie als auch für die Wettindustrie.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie beobachten ein hochriskantes Videospiel-Match zwischen zwei Teams, etwa ein digitales Fußballspiel, bei dem das Ziel darin besteht, die Burg des gegnerischen Teams zu zerstören. Diese Arbeit handelt davon, einen „Kristallkugel"-Effekt zu erschaffen, der das Spiel während des laufenden Geschehens beobachten und mit überraschender Genauigkeit vorhersagen kann, welches Team gewinnen wird.
Hier ist die Geschichte davon, wie die Forscher diese Kristallkugel bauten, einfach erklärt:
Der große Überblick
Das betreffende Spiel ist League of Legends, ein massives Online-Spiel, das von Millionen gespielt wird. Da so viele Menschen diese Matches verfolgen und darauf wetten, wollten die Forscher herausfinden, ob sie mit computergestützter Mathematik (Machine Learning) den Gewinner vorhersagen können, bevor das Spiel tatsächlich zu Ende geht.
Sie schauten nicht nur auf das Endergebnis; sie wollten wissen: Können wir den Gewinner vorhersagen, wenn das Spiel erst zu 20 % abgeschlossen ist? Wie sieht es aus, wenn es zu 80 % abgeschlossen ist?
Die Zutaten sammeln
Um dem Computer beizubringen, wie man vorhersagt, benötigten die Forscher einen riesigen Datenhaufen. Sie nutzten die offizielle „Hintertür" des Spiels (eine API), um 64.556 echte Matches herunterzuladen, die von ernsthaften Spielern bestritten wurden.
Stellen Sie sich diese Daten wie ein massives Kochbuch vor. Für jedes Match zeichneten sie alles auf, was geschah:
- Wie viele Gegner besiegt wurden (Kills).
- Wie viel „Gold" (Geld) die Teams verdienten.
- Welche speziellen Monster sie fingen (Drachen).
- Wie viele Türme sie zerstörten.
- Wie lange das Spiel bereits lief.
Der „Zeitmaschinen"-Ansatz
Der clevere Teil dieser Studie war die Art und Weise, wie sie die Daten betrachteten. Anstatt nur auf das Endergebnis zu schauen, schnitten sie die Spiele in vier verschiedene Zeitabschnitte, ähnlich wie beim Überprüfen des Spielstands in der 1., 2., 3. und 4. Viertelzeit eines Football-Spiels:
- 20 % des Weges (Das frühe Spiel).
- 40 % des Weges (Mittelspiel).
- 60 % des Weges (Spätes Mittelspiel).
- 80 % des Weges (Der letzte Abschnitt).
Sie erkannten, dass das, was für einen Sieg wichtig ist, sich im Laufe des Spiels verändert.
- Am Anfang: Das Wichtigste ist, wer den allerersten Kill erzielt oder wer mehr Gold hat. Es ist wie ein Sprinter, der einen guten Start hinlegt.
- Später: Das Wichtigste wird zu dem, wer die großen Drachen tötet und die Türme zerstört. Es ist wie ein Marathonläufer, der seine Energie für das Ziel gespart hat.
Der Wettkampf: Wer ist der beste Vorhersager?
Die Forscher probierten viele verschiedene „Mathe-Gehirne" (Algorithmen) aus, um herauszufinden, welcher am besten darin ist, den Gewinner zu erraten. Sie testeten Dinge wie:
- Logistische Regression: Eine einfache, geradlinige Logik.
- Random Forest: Eine Gruppe von Entscheidungsträgern, die gemeinsam abstimmen.
- Neuronale Netze: Ein gehirnähnliches System, das Muster lernt.
- LightGBM: Eine superschnelle, hocheffiziente Lernmaschine.
Der Gewinner:
Das LightGBM-Modell war der Champion. Es war am genauesten, insbesondere wenn das Spiel zwischen 60 % und 80 % abgeschlossen war. In diesem Stadium sagte es den Gewinner in etwa 81,6 % der Fälle korrekt voraus.
Allerdings leistete in den allerfrühesten Phasen (20 % des Spiels) das einfachere Logistic-Regression-Modell tatsächlich eine etwas bessere Arbeit. Das ist so, als würde man sagen, ein einfacher Kompass ist großartig für den schnellen Start, aber ein High-Tech-GPS ist besser für die Navigation auf dem Rest der Reise.
Was haben sie gelernt?
- Zeit ist entscheidend: Der Computer wurde mit fortschreitender Spieldauer deutlich besser im Vorhersagen. Das ergibt Sinn, da mehr Informationen zu analysieren sind.
- Verschiedene Hinweise zu verschiedenen Zeiten: Zu Beginn des Spiels ist „First Blood" (der erste Kill) ein riesiger Hinweis. Später im Spiel werden „Drachentötungen" und „Turmzerstörung" zu den größten Hinweisen.
- Der „Gold"-Faktor: Ganz am Anfang ist die Gesamtmenge an Gold, die ein Team hat, ein riesiger Indikator dafür, wer gewinnen wird.
Das Fazit
Die Arbeit kommt zu dem Schluss, dass wir durch das Zuführen der richtigen Daten zur richtigen Zeit den Gewinner eines League-of-Legends-Matches mit hoher Genauigkeit vorhersagen können. Das beste Werkzeug für diese Aufgabe ist das LightGBM-Modell, das wie ein erfahrener Trainer agiert, der genau weiß, welche Statistiken am wichtigsten sind, je nachdem, wie viel Zeit auf der Uhr noch übrig ist.
Diese Forschung hilft uns zu verstehen, dass die Vorhersage eines Spiels nicht nur um eine einzelne Zahl geht; es geht darum zu beobachten, wie sich die Geschichte des Spiels im Laufe der Zeit entfaltet.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.