Predikce výsledků ve hře Counter-Strike s pomocí strojového učení
Predicting Counter-Strike Game Outcomes with Machine Learning
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Ondřej Švec
Vedoucí práce
Šír Gustav
Oponent práce
Jindra Vojtěch
Studijní program
Kybernetika a robotikaInstituce přidělující hodnost
katedra kybernetikyPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Vzestup odvětví esportů spolu s nárůstem popularity strojového učení poskytuje jedinečné příležitosti pro zlepšení aktuálně používaných metod předpovědí výsledků zápasů. Tato práce si klade za cíl poskytnout nový pohled na predikci výsledků zápasů Counter-Strike. Aby toho bylo dosaženo, byl nejprve získán a analyzován velký objem dat skládající se z více než 40 000 zápasů. Byly navrženy tři reprezentace dat, dva typy předzpracování dat, šest modelů strojového učení a model využívající hodnocení Elo, které byly křížově ověřeny a porovnány s vybraným výchozím stavem. Model využívající hodnocení Elo se prokázal být nejlepším, s přesností na testovací sadě 64 %, těsně následovaný modelem Random Forest s přesností na testovací sadě 63 %. The surge of the esports industry, alongside the rise in popularity of machine learning, provides unique opportunities for improving currently used methods of match outcome predictions. This thesis aims to give a new perspective to predicting outcomes of Counter-Strike matches. In order to achieve that, first, high volume dataset consisting of over 40,000 matches was obtained and analyzed. Three sample representations, two types of data preprocessing, six machine learning models and a model utilizing Elo rating were proposed, cross-validated and compared to a selected baseline. Model utilizing Elo rating proved to be consistently the best one, with test set accuracy of 64 %, closely followed by Random Forest model with test set accuracy of 63 %.
Kolekce
- Bakalářské práce - 13133 [714]