LEAGUE OF LEGEND : 인게임 데이터분석을 통한 승패예측

프로젝트 목표

• 직접 선택한 데이터셋을 사용하여 ML예측모델을 통한 성능 및 인사이트 도출/공유
• 데이터셋 전처리/eda부터 모델을 해석하는 과정을 설명하는 영상 작성

프로젝트 절차

1. 데이터 선정 이유 및 문제 정의

• 해당 게임데이터셋은 다른 데이터셋들과 달리 다이아1티어 이상 티어게임의 초반 10분간의 데이터
• League of Legend게임은 초반에 이득을 쌓는 것이 중요한 전략게임이며 상위티어의 게임일수록 그 영향력이 커지기 때문에 유의미한 결과를 얻을 수 있을거라 보여짐
• 승리와 패배(1,0)로 나누어진 타겟을 선택하여 분류문제로 접근
• 데이터 설명
  • gameId : 게임의 고유 ID
  • blueWins : 승리 여부(1,0)

  • blueWardsPlaced : 설치 와드 수
  • blueWardsDestroyed : 블루팀이 파괴한 적 와드 수
  • blueFirstBlood : 첫 킬(블루:1, 레드:0)
  • blueKills : 블루팀이 죽인 적의 수
  • blueDeaths : 블루팀이 죽은 수
  • blueAssists : 블루팀의 어시스트 수
  • blueEliteMonsters : 블루팀이 죽인 엘리트몬스터 수
  • blueDragons : 블루팀이 죽인 드래곤 수(1,0)
  • blueHeralds : 블루팀이 죽인 전령(1,0)
  • blueTowersDestroyed : 블루팀이 파괴한 타워 수
  • blueTotalGold : 블루팀 총 골드획득량
  • blueAvgLevel : 블루팀 평균 챔피언 레벨
  • blueTotalExperience : 블루팀 총 경험치량
  • blueTotalMinionsKilled : 블루팀 총 미니언 처치 수
  • blueTotalJungleMinionsKilled : 블루팀 총 정글몬스터 처치 수
  • blueGoldDiff : 블루팀과 적팀의 골드 차이
  • blueExperienceDiff : 블루팀과 적팀의 경험치 차이
  • blueCSPerMin : 블루팀의 분당 미니언 처치 수
  • blueGoldPerMin : 블루팀의 분당 팀 골드획득량

  • red도 동일한 19개의 feature 존재
  • 9879 rows × 40 columns

2. 데이터를 이용한 가설 및 평가지표, 베이스라인 선택

• 타겟데이터인 승,패의 비율이 5:5정도로 보여져 50%의 베이스라인 선택
• 평가지표 : Accuracy

3. EDA 및 데이터 전처리

• 이상치, 중복치 제거
• 타겟과 킬,데스,와드 등과의 분포 확인

• feature engineering을 통해 새로운 지표(kda) 생성 및 중복적인 의미를 가지는 지표들 제거(다중공선성 피하기 위함)

4. 머신러닝 방식 적용 및 교차검증

• 로지스틱 회귀, 랜덤 포레스트, xgboost모델 성능비교
• 가장 일반화 됐다고 보여지는 xgboost모델 사용
• 순열중요도를 통해 중요도가 낮은 특성들을 제거한 후 모델 성능 재측정

5. 머신러닝 모델 해석

• 훈련 정확도: 0.7390
• 검증 정확도: 0.7281
• 시각화를 통해 특성이 타겟에 미치는 영향 확인

• 가장 영향력이 컸던 골드차이량과 다른특성들을 비교했을때도 경험치 차이량이 클수록 골드차이량에 긍정적인 영향, 블루팀의 Kill,Death,Assists비율이 클수록 골드차이량에 긍정적인 영향을 줌

결론

• 승리(타겟)을 위해 초반 10분간의 게임에서 상대방과의 골드차이량을 많이내야하고 골드차이량을 많이내기위해 경험치, KDA비율도 잘 신경써야할 것으로 보여집니다.
• 인게임 내부적으로 추가적인 데이터(챔피언, 스펠여부) 특성이 더 존재했다면 더 좋은 결과를 낼 수 있을거라 보입니다.