Bayes Esports: esporun doğuştan katilleri nasıl ölçülür?

Bu parçada, Ben Steenhuisen, Bayes Esports’ta Kıdemli Yazılım Mimarı, Bayes’in e-spor endüstrisinin en iyi oyunlarındaki ölümleri ve ölümleri (KDR) nasıl analiz ettiğini ve bağlamın nasıl ekleneceğini ayrıntılarıyla anlatıyor. Veri modelleri Bayes Esports Veri Bilimi Direktörü Darina Goldin.

Birçok e-sporda, en üst düzey istatistikler ve puan tablosu çok yanıltıcı olabilir – daha deneyimli analistler veya sert hayranlar için bile. DOTA 2’de, örneğin, 40.000’den fazla altınla geride olmanıza ve bir sağlık noktasında sadece bir bina kalmasına rağmen oyunu kazanabilirsiniz. CS:GO farklı değil – turlarda önde görünen bir takım, haritanın yan tarafı üzerine başladılar. Sorun, bireysel oyuncu istatistiklerine bakıldığında daha da belirgindir: birçok önemli istatistik görünür değildir ve görünenler genellikle basit kümelerdir – altta yatan olaylarla ilgili herhangi bir bağlamdan yoksundur.

CS:GO’ya odaklanarak bu soruna daha yakından bakalım.

KDR Bağlamı Verme

Oyunun doğası gereği, en çok tartışılan oyuncu performans istatistikleri, öldürmeler ve ölümlerdir. Genellikle KDR olarak özetlenir – ölüm üzerinden öldürür, öldürme-ölüm oranı. 2017 tarihli bir makalede, Christopher Sardegna HLTV derecelendirmesiyle ilgili sorunları araştırdı (yaygın olarak kullanılan bir oyuncu performansı metriği), HLTV 1.0 Derecelendirmesindeki değişikliklerin yaklaşık yüzde 88’inin, veriler doğrusal bir regresyon olarak analiz edilirken KDR aracılığıyla nasıl açıklanabileceğini gösterir. Bu, dikkate alındığında yüzde 93,2’ye çıktı. Toplam Öldürme ve Toplam Ölüm ayrı özellikler olarak (aynı zamanda doğrusal bir regresyonun parçası olarak).

Gelin buna daha derin bir göz atalım.

Sadece öldürmeleri ve ölümleri saymak yerine, her bir öldürme ve ölüm biraz farklı bir durumda gerçekleştiğinden, bunların gerçekleştiği bağlamı tam olarak görmemiz gerekir. Bazen teröristler bombayı savunurken ölürler ya da savunmacıların dikkatini dağıtmak için bir boğma noktasını ilk ihlal eden oyuncu olur. Önemli bir örnek, bir takımın pahalı ekipman satın almaya gücünün yetmediği eko turların çok yaygın olmasıdır. Bu takım, sadece (ücretsiz!) başlangıç ​​tabancalarıyla agresif olmaya çalışabilir – başarı şansının düşük olduğunu, ancak tura yatırımlarının minimum olduğunu bilerek. Takım ölürse, bu kamikaze ölümleri oyuncunun performansına dahil edilmeli mi?

Bu, insanlar bir oyuncunun performansını tartışırken, dikkate alınan birincil istatistiklerin şu anda şu anda olduğu anlamına gelir. Toplam Öldürme ve Toplam Ölüm. Bu ölümlere ve ölümlere bakma şeklimiz, temsil ettikleri bireysel olayların herhangi bir bağlamına oturtulmadan, öncelikle toplu haldedir.

Hadi organize olalım

Bu bilmeceye tek değerli yaklaşım, bir turu kendi ayrı olaylarına (öldürmeler, ölümler, bomba tesisleri, bomba imha girişimleri, gelecekteki bir tur için silah kaydetme, bir harita etrafında hareket vb.) daha sonra bunların her birinin Tur Kazanma Yüzdesi (kısa vadeli) veya Harita Kazanma Yüzdesi (uzun vadeli bir metrik) gibi temel gösterge metrikleri üzerindeki etkisini değerlendirin ve ardından her birini ayrı ayrı kümeler halinde toplayın.

Bu konuyla ilgili ilk araştırmamızda, bunu basit tutmaya ve her bir ayrı öldürme ve ölüm olayını, azaltılmış bir yuvarlak kazanan olasılık modeli kullanarak nicelleştirmeye ve olaylar arasındaki yayılmayı göz ardı etmeye karar verdik. Bu model harita, bomba durumu ve oyuncu istatistikleri (ekipman dahil) gibi temel parametreleri içerir, iyi kalibre edilmiştir ve işlevsel olarak burada Bayes Esports’ta kullandığımız canlı oran tahmincilerine benzer. 6423 CS:GO profesyonel maç tekrarından (oyun başına ortalama ~26,5 tur) 170K’dan fazla oyun oynanışını ayrıştırdık. Her Öldürme ve her Ölüm için ölüm olayından önce ve sonra Yuvarlak Kazanma Yüzdesi ölçümlerini değerlendirdik.

Örneğimizde sadece 100’den fazla oyuna sahip oyuncuları (bu tür 170 oyuncu) göz önünde bulundurarak, öldürmeler nedeniyle raunt kazanma yüzdelerindeki ortalama artışlarını ve ölümler nedeniyle raunt galibiyet yüzdelerindeki ortalama düşüşlerini çizebiliriz.

Raund kazanma yüzdesindeki ortalama net artışı öldürmelerden aldığımızda ve ölümlerden kaynaklanan değişimi çıkardığımızda, bir oyuncu için “yuvarlak etki” ile kalıyoruz. Bunu, tüm oyuncuların temel dağılımı ve aykırı değerleri görmesi için tekrarlayabiliriz.

Kalıntı değer açısından, bazı dikkate değer aykırı değerlere sahibiz:

• Jame (Virtus Pro) +%4.11 artık tur kazanma etkisi ve yüksek etki (öldürme ve ölümü nedeniyle ortalama %24,6 tur kazanma kayması). Esasen bir keskin nişancı (awper) olduğu ve elde edilmesi pahalı silahlar olduğu için, Harita Galibi modelinde (bu Tur Kazanan modeline kıyasla daha uzun vadeli) ölümleri için muhtemelen daha ağır bir şekilde cezalandırılacaktır.
• YEKINDAR (Virtus Pro) sadece +%0,93, ancak %24,2 etki ile – hem kötü hem de giriş parçalayıcı olarak ikili rolünden çok fazla etkileniyor (ilk öldürme veya ilk ölüm için yüksek riskli yüksek ödül bu özelliği yukarı itiyor)
• sh1ro ve Ax1Le (ikisi birden Gambit Esports) +%3,27 ve +%2,58 ortalama etki ile harika takım performansları göz önüne alındığında pek de sürpriz olmamalı. Jame gibi, sh1ro’nun ölümleri daha uzun vadeli bir modelde daha önemli olacak.
• suçlama (+%2,43) ropz (+%2.23) s1mple (+2,32%), ZywOo (%1.93) hepsi çok saygın oyuncular.

Bu model, yukarıda bahsedildiği gibi, daha fazla olay türü değerlendirilerek genişletilebilir ve ayrıca bir CS:GO oyununun 16 raund kazanmak olan genel hedefi ile bariz örtük alt hedef olan 16 raund kazanmak arasında bir ayrım yapılabilir. mevcut raundu kazanın. Bir başka ilginç konu da, bu temel istatistikleri rakip takımın gücüne dayalı olarak ölçmektir – yetenekli bir takımda bir oyuncuyu öldürmek, daha az yetenekli bir takımda bir oyuncuyu öldürmekten daha zordur.

Doğal olarak, bu olayların bazıları birbiriyle ilişkilidir – bir ölümün ekibiniz için varsayılan net negatif değeri vardır, ancak bu kayıp, toplanan bilgiler, saldırıdan hemen önce bir bomba yerleştirme gibi çeşitli diğer faktörler tarafından hafifletilir (ve bazı durumlarda tersine çevrilir). yuvarlak uçlar, bir bombayı etkisiz hale getirmek, bir düşmanın dikkatini dağıtmak vb. Bu, her bir olayın, çevresindeki diğer ilgili olaylar (uzaysal veya zamansal olarak) üzerindeki potansiyel etki/etkiyi dikkate alarak değerlendirilmesi gerektiği anlamına gelir.

Genel olarak bu, çok açık ve genişletilebilir bir konuya yalnızca ilk adımdır, ancak aynı zamanda bireysel olayların basit bir şekilde bağlamlaştırılmasının değerlerini nasıl artırabileceğinin bir göstergesidir. Yalnızca öldürme ve ölüm olaylarını göz önünde bulundursak da, verileri önceden işleyerek ve bağlamsallaştırarak, umarız verileri daha doğru ve oyuncuların altında yatan performansı açıklayıcı olacak şekilde düzeltiriz.

ESI’nin 2021 Etkinlik Takvimi

Reklamverenimiz/sponsorumuzdan