Predicting the probability of winning in League of Legends

Abstract

Práce se zabývá analýzou a identifikací optimální metody pro predikci vítězství v týmové hře League of Legends. Studie využívá logistickou regresi, dopředné neuronové sítě a rekurentní neuronové sítě. Výzkum zahrnoval získání a zpracování rozsáhlé datové sady obsahující přibližně 165 000 zápasů. Modely byly porovnávány na základě přesnosti, F1 skóre a očekávané kalibrační chyby (expected ealibration error, ECE). Jako nejefektivnější se ukázal model logistické regrese, který dosáhl přesnosti 72,49 % a hodnoty ECE 0,0062 na testovacích datech. Hlavním výsledkem této práce je vyhodnocení vhodnosti různých přístupů strojového učení pro problém predikce vítězství v průběhu zápasu v League of Legends.This thesis investigates and seeks to identify the optimal method for predicting victory in the team-based game League of Legends. The study employs Logistic Regression, Feedforward Neural Networks and Recurrent Neural Networks. The research involved obtaining and processing a large dataset of around 165,000 League of Legends matches. The models were compared based on accuracy, F1 score and expected calibration error (ECE). The logistic regression model emerged as the most effective, achieving an accuracy of 72.49% and an ECE of 0.0062 on the test data. The main outcome of this work is a mapping of the suitability of different machine learning approaches for the problem of predicting victory in League of Legends during the match.