Performance comparison of classification algorithms for detecting level-based player churn using in-game data
Küçük Resim Yok
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İzmir Bakırçay Üniversitesi Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Oyuncu kaybı milyarlarca dolarlık oyun endüstrisi için en önemli sorunlardan biridir ve oyuncu kaybı demek şirketler için gelir kaybı anlamına gelir. Oyuncu kaybını tespit etmede yapılan diğer çalışmalar oyuncu bazlı bir yaklaşımı içermektedir. Bu çalışmada ise level-based bir yaklaşım önerilerek oyuncu kaybı tespit edilmeye çalışılmıştır. Bunun için veri temizleme, veri indirgeme, özellik çıkarımı, dönüştürme gibi gerekli veri ön işleme işlemleri veri setine uygulanmış ve sonrasında sınıflandırma algoritmaları ile değerlendirilmiştir. Her bir adım ayrı ayrı test edilip tahmin yeteneğine etkileri tespit edilmiştir. Ayrıca farklı sınıflandırma modelleri yardımıyla üretilen özellik setleri ile testler yapılıp performansa etkisi karşılaştırılmıştır. AdaBoost ve Decision Tree algoritmaları ile sırasıyla 0.79 ve 0.78 F1 skoru elde edilmiştir. Elde edilen bulgular ve sonuçlar çalışmanın sonunda paylaşılmıştır.
Player churn is one of the most important problems for the multi-billion-dollar gaming industry, and player churn means lost revenue for companies. While other studies on player churn detection have used a player-based approach, this study proposes a level-based approach to detect player churn. The data used for this purpose were subjected to necessary data preprocessing processes such as data cleaning, data reduction, new inference, transformation, and evaluation with classification algorithms. Each step was tested separately, and its effects on the prediction ability were determined. In addition, tests were conducted with feature sets generated with the help of different classification models, and their effects on performance were compared. AdaBoost and Decision Tree algorithms achieved F1 scores of 0.79 and 0.78 respectively. The findings and results are shared at the end of the study.
Player churn is one of the most important problems for the multi-billion-dollar gaming industry, and player churn means lost revenue for companies. While other studies on player churn detection have used a player-based approach, this study proposes a level-based approach to detect player churn. The data used for this purpose were subjected to necessary data preprocessing processes such as data cleaning, data reduction, new inference, transformation, and evaluation with classification algorithms. Each step was tested separately, and its effects on the prediction ability were determined. In addition, tests were conducted with feature sets generated with the help of different classification models, and their effects on performance were compared. AdaBoost and Decision Tree algorithms achieved F1 scores of 0.79 and 0.78 respectively. The findings and results are shared at the end of the study.
Açıklama
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
