Prediction of Counter-Strike: Global Offensive Round Results with Machine Learning Techniques

Author:

SİNAP Vahid1ORCID

Affiliation:

1. Ufuk Üniversitesi

Abstract

Kamuya açık şekilde sunulan yapılandırılmış ve yapılandırılmamış büyük miktarlardaki verilerle birlikte Espor tahminlemeleri üzerine yapılan çalışmalar her geçen gün artmaktadır. Espor etkinliklerine yönelik tahminleme çalışmaları insan faktöründen büyük ölçüde etkilense de doğru çıktılara ulaşmada önemli birçok parametre sunan yapısıyla tahminlemelerin başarısını artırmaktadır. Bu bağlamda modellerin nasıl oluşturulacağı ve hangi makine öğrenmesi algoritmalarının seçileceği önem taşımaktadır. Bu çalışmada, Counter- Strike: Global Offensive adlı çevrimiçi oyundaki rauntların sonuçlarının tahminlemeye yönelik çeşitli makine öğrenmesi algoritmaları kullanılarak sınıflandırmalar gerçekleştirilmiştir. Araştırmada, Lojistik Regresyon, Karar Ağaçları, Rastgele Orman, XGBoost, Naive Bayes, K-En Yakın Komşu ve Destek Vektör Makinesi olmak üzere toplam yedi adet denetimli sınıflandırma algoritması kullanılmıştır. Bu algoritmaların performans ölçümünde Doğruluk, Kesinlik, Duyarlılık, F-Skor ve AUC değerleri hesaplanmıştır. Ayrıca, ROC eğrileri ve karışıklık matrisleri değerlendirilerek algoritmalar karşılaştırılmıştır. Bu ölçümler ve değerlendirmeler sonucunda Rastgele Orman algoritması %88 doğruluk oranı ile en başarılı algoritma olmuştur. Bunlara ek olarak, rauntların kazanılma durumları bağlamında Keşifsel Veri Analizleri yürütülerek Espor organizasyonlarına yönelik bazı önerilerde bulunulmuştur.

Publisher

Journal of Intelligent Systems: Theory and Applications, Harun TASKIN

Subject

General Medicine

Reference28 articles.

1. Ali, P. J. M., Faraj, R. H., Koya, E., Ali, P. J. M., & Faraj, R. H. (2014). Data normalization and standardization: a technical report. Mach Learn Tech Rep, 1(1), 1-6.

2. Bengio, Y., Courville, A. C., & Vincent, P. (2012). Unsupervised feature learning and deep learning: A review and new perspectives. CoRR, 1(2665), 2012.

3. Biau, G., & Scornet, E. (2016). A random forest guided tour. Test, 25(2), 197-227.

4. Boyd, K., Eng, K. H., & Page, C. D. (2013, September). Area under the precision-recall curve: point estimates and confidence intervals. In Joint European conference on machine learning and knowledge discovery in databases (pp. 451-466). Springer.

5. Böhning, D. (1992). Multinomial logistic regression algorithm. Annals of the institute of Statistical Mathematics, 44(1), 197-200.

Cited by 2 articles. 订阅此论文施引文献 订阅此论文施引文献,注册后可以免费订阅5篇论文的施引文献,订阅后可以查看论文全部施引文献

同舟云学术

1.学者识别学者识别

2.学术分析学术分析

3.人才评估人才评估

"同舟云学术"是以全球学者为主线,采集、加工和组织学术论文而形成的新型学术文献查询和分析系统,可以对全球学者进行文献检索和人才价值评估。用户可以通过关注某些学科领域的顶尖人物而持续追踪该领域的学科进展和研究前沿。经过近期的数据扩容,当前同舟云学术共收录了国内外主流学术期刊6万余种,收集的期刊论文及会议论文总量共计约1.5亿篇,并以每天添加12000余篇中外论文的速度递增。我们也可以为用户提供个性化、定制化的学者数据。欢迎来电咨询!咨询电话:010-8811{复制后删除}0370

www.globalauthorid.com

TOP

Copyright © 2019-2024 北京同舟云网络信息技术有限公司
京公网安备11010802033243号  京ICP备18003416号-3