League of Legends: Real-Time Result Prediction
Dit artikel presenteert een machine learning-studie over het voorspellen van de uitkomst van League of Legends-wedstrijden in real-time, waaruit blijkt dat een LightGBM-model 81,62% nauwkeurigheid bereikt in tussentijdse fasen, terwijl Logistische Regressie en Gradient Boosting beter presteren in vroege fasen, wat waardevolle inzichten biedt voor zowel spelersstrategie als de wedindustrie.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een video-game-wedstrijd op hoog niveau bekijkt tussen twee teams, zoals een digitale voetbalwedstrijd waarbij het doel is om het kasteel van het andere team te vernietigen. Dit artikel gaat over het bouwen van een "kristallen bol" die tijdens de wedstrijd kan kijken en met verrassende nauwkeurigheid kan voorspellen welk team gaat winnen.
Hier is het verhaal van hoe de onderzoekers deze kristallen bol bouwden, eenvoudig uitgelegd:
Het Grote Plaatje
De game waarover het gaat is League of Legends, een enorme online game die door miljoenen mensen wordt gespeeld. Omdat zoveel mensen deze wedstrijden bekijken en erop wedden, wilden de onderzoekers zien of ze met computerwiskunde (Machine Learning) de winnaar konden voorspellen voordat de wedstrijd daadwerkelijk eindigt.
Ze keken niet alleen naar de eindstand; ze wilden weten: Kunnen we de winnaar voorspellen wanneer de wedstrijd pas 20% voltooid is? En wat als hij 80% voltooid is?
Het Verzamelen van de Ingrediënten
Om de computer te leren voorspellen, hadden de onderzoekers een enorme berg data nodig. Ze gebruikten de officiële "achterdeur" (een API) van de game om 64.556 echte wedstrijden te downloaden die door serieuze spelers waren gespeeld.
Beschouw deze data als een enorm receptenboek. Voor elke wedstrijd registreerden ze alles wat er gebeurde:
- Hoeveel vijanden werden verslagen (kills).
- Hoeveel "goud" (geld) de teams verdienden.
- Welke speciale monsters ze vingten (draken).
- Hoeveel torens ze vernietigden.
- Hoe lang de wedstrijd al gaande was.
De "Tijdmachine"-Aanpak
Het slimme deel van deze studie was hoe ze naar de data keken. In plaats van alleen naar het eindresultaat te kijken, sneden ze de wedstrijden op in vier verschillende tijdsperiodes, zoals het controleren van de stand in de 1e, 2e, 3e en 4e kwart van een voetbalwedstrijd:
- 20% onderweg (Het vroege spel).
- 40% onderweg (Midden-spel).
- 60% onderweg (Laat midden-spel).
- 80% onderweg (De laatste fase).
Ze realiseerden zich dat wat belangrijk is voor het winnen, verandert naarmate de wedstrijd vordert.
- Aan het begin: Het belangrijkste is wie de allereerste kill behaalt of wie meer goud heeft. Het is als een sprinter die een goede start maakt.
- Later: De belangrijkste dingen worden wie de grote draken doodt en de torens vernietigt. Het is als een marathonloper die zijn energie heeft bewaard voor de finish.
De Wedstrijd: Wie is de Beste Voorspeller?
De onderzoekers probeerden veel verschillende "wiskundige hersenen" (algoritmen) om te zien welke het beste was in het raden van de winnaar. Ze testten dingen zoals:
- Logistische Regressie: Een simpele, rechte-lijn logica.
- Random Forest: Een groep besluitvormers die samen stemmen.
- Neurale Netwerken: Een hersenachtig systeem dat patronen leert.
- LightGBM: Een supersnelle, zeer efficiënte leermachine.
De Winnaar:
Het LightGBM-model was de kampioen. Het was het nauwkeurigst, vooral wanneer de wedstrijd tussen de 60% en 80% voltooid was. In die fase voorspelde het de winnaar correct ongeveer 81,6% van de tijd.
Echter, in de allereerste fasen (20% van de wedstrijd) deed het eenvoudigere Logistische Regressie-model eigenlijk iets beter. Dit is als zeggen dat een simpel kompas geweldig is voor een snelle start, maar dat een high-tech GPS beter is voor het navigeren van de rest van de reis.
Wat Leerden Ze?
- Tijd is Belangrijk: De computer werd steeds beter in het raden naarmate de wedstrijd langer duurde. Dit is logisch omdat er meer informatie is om te analyseren.
- Verschillende aanwijzingen voor Verschillende Tijden: Vroeg in de wedstrijd is "first blood" (de eerste kill) een enorme aanwijzing. Later in de wedstrijd worden "drakenkills" en "torenvernietiging" de grootste aanwijzingen.
- De "Goud"-Factor: In het allereerste begin is het totale bedrag aan goud dat een team heeft een enorme indicator van wie gaat winnen.
De Conclusie
Het artikel concludeert dat we door de computer de juiste data op het juiste moment te geven, de winnaar van een League of Legends-wedstrijd met hoge nauwkeurigheid kunnen voorspellen. Het beste gereedschap voor deze taak is het LightGBM-model, dat werkt als een doorgewinterde coach die precies weet welke statistieken het belangrijkst zijn, afhankelijk van hoeveel tijd er nog op de klok staat.
Dit onderzoek helpt ons te begrijpen dat het voorspellen van een wedstrijd niet alleen gaat over één enkel getal; het gaat om het kijken naar hoe het verhaal van de wedstrijd zich in de loop van de tijd ontvouwt.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.