Bayes güncellemesi ile Counter-Strike Modelleme

Bu parçada, Bayes Esports Veri Bilimi Direktörü Darina Goldin, Bayes’in CS:GO oranlarını Bayesian Güncelleme yöntemini kullanarak otomatik olarak nasıl analiz ettiğini ayrıntılarıyla anlatır.

Esports analitiği son on yılda çekiş kazandı ve Bayes Esports, doğru ve sağlam modeller için önde gelenlerden biri. Veri bilimcilerimiz, oyunların hakkını vermek için çeşitli teknikler kullanır. Bunlardan biri Bayesian Güncellemesidir ve bu terim ilk bakışta korkutucu gelse de anlaşılması çok kolay bir yaklaşımdır.

Nasıl çalışır

Diyelim ki Counter-Strike oynayan Ayılar ve Goriller adlı iki takımımız var. Basitlik açısından, modelin üçün en iyisi veya beşin en iyisi oyunlarda aynı şekilde çalışmasına rağmen, eşleşmenin yalnızca bir haritadan oluştuğunu varsayalım. Maçın başında iki takımımızın da eşit derecede güçlü olduğunu düşünüyoruz. Matematiksel terimlerle, Ayıların kazanma olasılığının 0,5 olduğunu ve Gorillerin kazanma olasılığının da elbette 0,5 olduğunu söylüyoruz.

Oyun başlıyor ve Ayılar çok iyi oynuyor. Yakında 7:1 öndeler. Bears’ın şimdi kazanma olasılığı nedir? Başta düşündüğümüz gibi hala 0,5 mi? Muhtemelen değil. Aslında, muhtemelen 0,5’in önemli ölçüde üzerindedir.

Burada Bayesian Güncellemesini zaten gerçekleştirdik. Oyunun başında, her takımın kazanma ihtimalinin ne kadar olduğuna dair önceden bir inancımız vardı. Ardından, maçın ortaya çıktığını gördükçe, inancımızı kanıtlarla eşleşecek şekilde güncelledik. Oyun ilerledikçe, inançlarımızı güncellemeye devam edeceğiz. Her seferinde aynı soruyu soracağız: ‘Mevcut skor göz önüne alındığında Bears’ın kazanma olasılığı nedir?’

Dikkate alınacak değişkenler

Tabii ki, bu güncelleme işlemi her iki şekilde de çalışır. İlk maçın Bears’ın 16:1 kazanmasıyla bittiğini varsayalım. Ayılar bir sonraki gorilleri oynadığında, Ayıların kazanma olasılığının daha yüksek olduğunu düşüneceğiz, belki de 0,7. Çok daha karmaşık bir tarzda, tüm güç derecelendirme algoritmaları böyledir. Trueskill ve Glicko2 yapmak. Temelde, bir takımın veya oyuncunun ne kadar güçlü olduğuna dair bir tahminleri vardır ve her maçtan sonra bu olasılık güncellenir.

Bu çok basit ilkenin kökleri Bayes teoremi – olasılık teorisinin ana teoremlerinden biri. Şirketimizin adının Bayes Esports olması tesadüf değildir. Aslında bu, Sir Thomas Bayes’e doğrudan bir selamdır. Ölümden sonra yayınlanan teoremi, olasılık teorisi ve istatistikteki en önemli yasalardan biri haline geldi. O kadar çok modern uygulamanın merkezinde yatar ki, modern makine öğreniminin babası Sir Thomas bile düşünülebilir!

Bayesian Güncelleme kavramı kolaydır – aldatıcı bir şekilde öyle. Çünkü zorluk, onun mekanizmasını anlamakta ve hatta önceki bir inancı seçmekte değil, doğru bir güncelleme kuralı bulmakta yatmaktadır. Gerçek hayattaki uygulamalarda bu oldukça zorlu bir görev olabilir.

Kimin kazanacağını tahmin etmek

Ayılara Karşı Goriller örneğimize bağlı kalarak, Ayıların Goriller karşısında kazanma olasılığının 0:0 puanda 7:1 puandan farklı olduğunu zaten gördük. Ya puan 3:3 ise, 0:0 ile aynı mı?

Eğer bir Counter-Strike hayranıysanız, muhtemelen kocaman bir ‘Hayır!’ ile cevap vermişsinizdir. ve haklı olarak öyle. Bunun nedeni, CS:GO’da tüm turların eşit yaratılmamasıdır. Örneğin, farklı taraflar vardır – bir takım terörist olarak başlar ve diğeri terörle mücadele olarak başlar. Her haritanın farklı bir geometrisi vardır, bu da BT’nin pusuda beklemesini veya teröristlerin saldırmasını kolaylaştırır.

Burada dikkate alınması gereken başka bir önemli faktör daha var. İki takımdan hangisi haritayı seçti? İstatistiksel olarak, haritayı seçen takımın bir avantajı var.

Yani görünüşte ‘eşit’ olan 3:3’ümüz aslında bunun dışında her şeydir. İki takım Nuke’de oynuyorsa, Bears haritayı seçti ve ilk yarıda Terörle Mücadeleci ve buna rağmen Goriller ile beraberlerse, rakiplerinden daha az iyi oynuyorlar. Öte yandan, teröristleri oynuyorlarsa ve Goriller haritayı seçtiyse, Ayılar harika gidiyor ve galip gelmeleri çok daha olası.

Bir takımın belirli bir raundu kazanma olasılığını tahmin etmek için gereken bazı önceliklerin takım beceri tahmini, harita seçimi ve taraf olduğunu gördük. Bunlar ve diğerleri, Bayes Esports’un CS:GO modellerinin merkezinde yer alır.

Haritada her yeni bilgi geldiğinde veya bir işlem yapıldığında, tur olasılıklarımız güncellenir. Her tur için bir tahminimiz olduğunda, doğru tur puanı veya ilk X turları gibi pazarlar türetebiliriz. Bunları, harita kazanma olasılığını ve nihayetinde maç kazanma olasılığını elde etmek için de biriktirebiliriz. Maç bittiğinde, takım beceri tahmini de güncellenir ve döngü yeniden başlar.

Counter-Strike için başka ne gibi öncelikler düşünebilirsiniz? Overwatch veya Valorant gibi diğer FPS için aynı mı olacaklar? @esportsinsider ve @BayesEsports etiketleyerek Twitter’da bize bildirin.

ESI Digital Summer hakkında daha fazla bilgi edinin

Sponsorumuzdan/reklamverenimizden