Uso de algoritmos de machine learning para análise de desempenho de atletas de esportes eletrônicos

Abstract

Este trabalho teve como objetivo analisar e prever o desempenho de jogadores de League of Legends utilizando técnicas de mineração de dados e aprendizado de máquina. Inicialmente, foram coletados dados detalhados de estatísticas de jogadores de diferentes ligas ao redor do mundo a partir de uma fonte especializada em dados do cenário competitivo de League of Legends. No processo de limpeza dos dados, medidas foram tomadas para excluir jogadores com informações faltantes e remover campos irrelevantes para a jogabilidade, como nome e país. Posteriormente, aplicou-se um algoritmo de clustering que categorizou os jogadores em três grupos distintos de desempenho: alto, mediano e baixo. Com a criação da coluna “assignments” proveniente do clustering, os dados foram divididos em 70% para treinamento e 30% para avaliação dos modelos. Quatro algoritmos de classificação e quatro de regressão foram utilizados no treinamento dos modelos: Regressão Logística, Decision Forest, Boosted Decision Tree e Neural Network. A performance dos modelos foi então avaliada utilizando os 30% restantes dos dados. Através desta metodologia, foi possível desenvolver um sistema eficaz para a análise e previsão do desempenho dos jogadores de League of Legends, proporcionando insights valiosos para o cenário competitivo do jogo.

Abstract: This work aimed to analyze and predict the performance of League of Legends players using data mining and machine learning techniques. Initially, detailed data on player statistics from different leagues around the world was collected from a source specialized in data from the League of Legends competitive scene. In the data cleaning process, steps were taken to exclude players with missing information and remove fields irrelevant to gameplay, such as name and country. Subsequently, a clustering algorithm was applied that categorized players into three distinct performance groups: high, average and low. With the creation of the assignments column from clustering, the data was divided into 70% for training and 30% for model evaluation. Four classification and four regression algorithms were used to train the models: Logistic Regression, Decision Forest, Boosted Decision Tree and Neural Network. The performance of the models was then evaluated using the remaining 30% of the data. Through this methodology, it was possible to develop an effective system for analyzing and predicting the performance of League of Legends players, providing valuable insights into the game's competitive scenario.