Predictive e-sports game analysis using machine learning approaches
| dc.contributor.advisor | Bursa, Okan | |
| dc.contributor.author | Tuzcu, Atakan | |
| dc.date.accessioned | 2024-03-09T17:41:21Z | |
| dc.date.available | 2024-03-09T17:41:21Z | |
| dc.date.issued | 2023 | |
| dc.department | Enstitüler, Lisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı | en_US |
| dc.description.abstract | Oyun analizi günümüzde oldukça rağbet gören bir alandır ve League of Legends e- Spor alanında popüler oyunlardan biridir. Bir MOBA oyunu olan League of Legends aslında ikili sınıflandırma problemi olarak değerlendirilebilir. Bu çalışmada oyunun geliştiricisi tarafından yayınlanan RIOT API kullanarak veri çekilmiş ve çekilen veriler modele beslenmeden önce önişleme tabi tutulmuştur. Veri iki farklı yaklaşımla düzenlenip iki farklı veri kümesi olarak sunulmuştur: oyuncu-tabanlı veri kümesi ve takım-tabanlı veri kümesi. Modeller bu veri kümeleri ile ayrı ayrı eğitilmiş ve sonuçları değerlendirilmiştir. Bu değerlendirme sonucunda performansı en yüksek olan modeller 0,950 ve 0,969 F1-score ile sırasıyla LightGBM ve AdaBoost modelleri olmuştur. Deneysel çalışma olarak boyut azaltma yöntemlerinden öznitelik seçimi uygulanmış ve performansı en yüksek olan AdaBoost modelinin sunduğu en önemli 10 öznitelik seçilmiştir. Seçilen öznitelikler arasında korelasyon analizi yapılarak korelasyonu en az olan 7 öznitelik ile veri kümeleri filtrelenerek, modeller bu deneysel veri kümeleri ile tekrar eğitilip test edilmiştir. Sonuç olarak performanslarda belirli bir düşüş gözlendiğinden elenen özniteliklerin oyun açısından stratejik bir öneme sahip olduğu ortaya konulmuştur. | en_US |
| dc.description.abstract | Game analytics are highly demanding topic nowadays and League of Legends is one of the popular games in professional e-sports area. League of Legends is a MOBA game which can be simplified as binary classification problem. This research will retrieve data using RIOT API which is distributed by the developer of the game League of Legends, preprocess the extracted data before feeding the models with it and build several machine learning models using these data. In this research, two different approaches used while creating the dataset: player-based dataset and team-based dataset. Models have been trained and tested separately using these datasets. AdaBoost and LightGBM has the best performance metrics with 0,950 and 0,969 F1-scores respectively. For experimental study, dimensionality reduction has been operated using feature selection. We used most 10 important features of the most successful model, AdaBoost. Correlation analysis have been done and 7 attributes have been selected to filter and create new experimental datasets. These attributes are key to build gaming strategy. Models have been trained and tested again with the new datasets. Dimension reduction degrade the performances, and this puts out that the dropped attributes are strategic in the game. | en_US |
| dc.identifier.endpage | 54 | en_US |
| dc.identifier.startpage | 1 | en_US |
| dc.identifier.uri | https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=a0OMTmEd_3mfOBxT8SiBTI31uMS4zx8gJdh_O-gOMZIHLPDrsrh88k6fhnMWqiwM | |
| dc.identifier.uri | https://hdl.handle.net/20.500.14034/1159 | |
| dc.identifier.yoktezid | 811577 | en_US |
| dc.institutionauthor | Tuzcu, Atakan | |
| dc.language.iso | en | en_US |
| dc.publisher | İzmir Bakırçay Üniversitesi Lisansüstü Eğitim Enstitüsü | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.subject | Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol | en_US |
| dc.subject | Computer Engineering and Computer Science and Control | en_US |
| dc.title | Predictive e-sports game analysis using machine learning approaches | en_US |
| dc.title.alternative | Makine öğrenmesi yaklaşımıyla kestirimci e-spor oyun analizi | en_US |
| dc.type | Master Thesis | en_US |
Dosyalar
Orijinal paket
1 - 1 / 1
