League of Legends: Real-Time Result Prediction

"리그 오브 레전드: 실시간 결과 예측" 논문에 대한 상세한 기술 요약입니다.

1. 문제 제기

이 논문은 복잡한 멀티플레이어 온라인 배틀 아레나 (MOBA) 게임인 <리그 오브 레전드> (LoL) 의 경기 결과를 실시간으로 예측하는 과제를 다룹니다. 경기 전 정적 예측과 달리, 실시간 예측은 변화하는 게임 상태를 동적으로 분석해야 합니다. 어려움은 게임의 비선형적 진행에 있으며, 금전, 킬, 오브젝트와 같은 다양한 변수들은 경기 단계 (초반 대 후반) 에 따라 중요도가 달라집니다. 본 연구는 특정 경과 시간 간격에서 높은 정확도로 승자를 예측할 수 있는 가장 효과적인 머신러닝 모델과 특징 집합을 식별하여, 전략적 플레이어 향상과 급성장하는 e 스포츠 배팅 산업 모두에 기여하는 것을 목표로 합니다.

2. 방법론

A. 데이터 수집 및 전처리

• 출처: 데이터는 riot-watcher 파이썬 라이브러리를 사용하여 라이엇 게임즈 공식 API 에서 수집되었습니다.
• 데이터셋: 2023 년 1 월 12 일부터 5 월 18 일까지 진행된 64,556 개의 랭크 경기 (아이언부터 다이아몬드까지의 스킬 레벨 포함) 가 활용되었습니다.
• 전처리:
  • 시간 값은 밀리초에서 분으로 변환되었습니다.
  • 리메이크를 제거하기 위해 5 분 미만 경기는 제외되었습니다.
  • 불리언 변수는 이진수 (0/1) 로 변환되었습니다.
  • 중복 변수 (예: blueWin이 있는 경우의 redWin) 는 제거되었습니다.
• 시간적 세분화: 데이터셋은 총 경기 시간 대비 **경과 시간 비율 (PET)**을 기준으로 **20%, 40%, 60%, 80%**의 네 가지 명확한 시나리오로 잘라냈습니다. 이를 통해 모델들을 게임의 다른 단계에서 평가할 수 있었습니다.

B. 특징 공학

• 변수: 모델은 두 팀 (블루 팀과 레드 팀) 을 나타내는 36 개의 특징을 활용했습니다.
  • 전투: 챔피언 킬, 퍼스트 블러드.
  • 오브젝트: 드래곤 (다양한 유형), 리프트 헤럴드, 바론 나쉬, 타워, 인히비터.
  • 경제/통계: 총 금전, 미니언/정글 몬스터 킬, 평균 플레이어 레벨.
• 상관 분석: 특징과 블루 팀의 승리 간의 관계를 파악하기 위해 피어슨 상관 계수가 계산되었습니다. 분석 결과, 특징의 중요도는 시간에 따라 변하는 것으로 나타났습니다 (예: 초반 게임은 퍼스트 블러드와 금전에 크게 의존하는 반면, 후반 게임은 드래곤/타워 통제에 의존함).

C. 머신러닝 모델
저자들은 다양한 알고리즘 세트를 평가했습니다:

• 로지스틱 회귀
• 랜덤 포레스트 (RF)
• 나이브 베이즈
• 그라디언트 부스팅 (scikit-learn)
• XGBoost
• LightGBM
• 신경망 (NN)
• 배깅

D. 평가 전략

• 기법: 견고성을 보장하기 위해 교차 검증을 사용했습니다.
• 입력: 모델이 시간적 패턴을 학습하도록 돕기 위해 경과 시간 비율을 명시적인 입력 속성으로 포함시켰습니다.
• 하이퍼파라미터 튜닝: LightGBM 과 랜덤 포레스트의 하이퍼파라미터를 최적화하기 위해 랜덤 서치를 적용했습니다.
• 지표: 정확도, 정밀도, 재현율, F1 점수, AUC-ROC.

3. 주요 기여

1. 시간적 역동성 분석: 이 연구는 특징의 중요도가 정적이지 않음을 명시적으로 보여줍니다. 예를 들어, redTotalGold는 20% PET 에서 가장 중요한 예측 변수인 반면, blueChampionKill은 80% PET 에서 지배적인 역할을 합니다.
2. 실시간 예측 프레임워크: 데이터를 PET 간격으로 잘라냄으로써, 단일 정적 결과가 아닌 동적 예측을 위한 프레임워크를 제공합니다.
3. 모델 벤치마킹: 네 가지 명확한 게임 단계에 걸쳐 여덟 가지 다른 ML 알고리즘을 종합적으로 비교하여, 중반부터 후반 게임 시나리오에서 LightGBM 이 최상의 성능을 보임을 확인했습니다.
4. 미공개 데이터 활용: 2023 년의 신선하고 대규모 데이터셋을 사용하여 기존 연구들과 달리 게임의 현재 '메타'를 반영한 결과를 도출했습니다.

4. 결과

A. 시간 간격별 모델 성능

• 초반 게임 (20% PET): 로지스틱 회귀가 가장 좋은 성능을 보였으며 (정확도: 약 62.28%), 그 뒤를 그라디언트 부스팅과 XGBoost 가 이었습니다. 이는 선형 모델이 초반 게임의 경제적 격차를 잘 포착함을 시사합니다.
• 중반~후반 게임 (40% - 80% PET): LightGBM이 모든 다른 모델보다 일관되게 우수한 성능을 보였습니다.
  • 60% PET에서 LightGBM 은 **77.88%**의 정확도를 달성했습니다.
  • 80% PET에서 LightGBM 은 **85.42%**의 정확도를 달성했습니다 (전체 최고).
• 최적화: LightGBM 과 랜덤 포레스트에 랜덤 서치를 적용하면 정확도가 소폭이지만 일관되게 향상되었습니다 (예: 80% PET 에서 LightGBM 의 정확도가 85.42% 에서 **85.48%**로 향상됨).

B. 특징 중요도 경향 (랜덤 포레스트 분석)

• 20% PET: redTotalGold가 가장 중요한 특징이었습니다.
• 40% 및 60% PET: blueTotalGold가 지배적인 예측 변수가 되었습니다.
• 80% PET: blueChampionKill이 가장 중요한 요인으로 부상했는데, 이는 팀파이트 우위가 후반 게임에서 승리의 주요 동력이 됨을 나타냅니다.

C. 상관관계 대 특징 중요도
이 연구는 단순 상관관계와 모델 기반 특징 중요도 간의 차이를 지적했습니다. 상관관계는 선형 관계를 보여주지만, 특징 중요도 (랜덤 포레스트를 통해) 는 비선형 상호작용과 변수 의존성을 고려하여 모델의 의사결정을 이끄는 요인을 더 정확하게 반영합니다.

5. 의의 및 결론

• 실무 적용: 이 결과는 e 스포츠 배팅 산업에 매우 관련이 높으며, 더 정확한 인플레이 배팅을 위한 도구를 제공합니다. 또한 플레이어와 코치에게 특정 게임 단계에서 어떤 오브젝트가 가장 중요한지에 대한 데이터 기반 통찰력을 제공합니다.
• 과학적 기여: 이 논문은 '경과 시간'을 특징으로 포함시키는 것이 예측 정확도를 크게 높인다는 것을 검증합니다. 또한 '만능' 모델은 최적이 아니며, 최고의 모델은 게임 상태에 따라 달라진다는 점을 강조합니다.
• 향후 연구: 저자들은 향후 연구가 경기 중 지연 없이 실시간으로 이러한 모델을 배포할 수 있도록 실시간 지연 시간과 처리 속도에 초점을 맞춰야 하며, 플레이어별 행동 데이터의 통합도 탐구해야 한다고 제안합니다.

요약하자면, 이 논문은 LightGBM이 LoL 경기 예측을 위한 최첨단 접근법임을 확립하며, 특히 경기가 40% 를 넘긴 이후에는 후반 게임 시나리오에서 85% 이상의 정확도를 달성한다고 결론지었습니다.