리그오브레전드 데이터를 활용한 승/패 예측

이전 포스팅에서 수집한 매치데이터를 이용하여 팀의 승/패를 예측해보겠습니다.

 

다들 teams 변수를 이용하여 데이터프레임화를 했던 것을 기억하시나요.

teams데이터는 리스트안에 딕셔너리가 있는 구조로써 dict데이터의 key값을 변수로, value값을 값으로 풀어줘야 했습니다.

 

데이터를 잠시 보여드리겠습니다.

team데이터

변수설명

• teamId - 경기내의 파랑팀 (100) / 경기내의 빨강팀 (200)
• win - 승 / 패 , target_variable로 사용할 변수입니다. (W/F)
• firstBlood - 가장 먼저 상대팀의 챔피언을 킬했는지 여부. (T/F)
• firstTower - 가장 먼저 상대팀의 포탑을 깻는지 여부. (T/F)
• firstinhibitor - 가장 먼저 상대팀의 억제기를 깻는지 여부. (T/F)
• firstBaron - 가장 먼저 바론을 먹었는지 여부. (T/F)
• firstDragon - 가장 먼저 드래곤을 먹었는지 여부. (T/F)
• firstRiftHerald - 가장 먼저 전령을 먹었는지 여부. (T/F)
• towerKills - 깬 타워의 수(연속형변수)
• inhibitorKills - 깬 억제기의 수(연속형변수)
• baronKills - 처치한 바론의 수(연속형변수)
• dragonKills - 처치한 드래곤의 수(연속형변수)
• vilemawKills - 상관하지 않아도 되는 변수입니다.(5:5 게임에는 없는 오브젝트)
• riftHeraldKills - 처치한 전령의 수 (게임 내에서 전령은 20분전까지 한번밖에 나오지 않으므로 사실상 0과1로 나뉩니다.)
• dominionVictoryScore - 상관하지 않아도 되는 변수입니다.
• gameDuration - 경기 시간, 초라고 생각하시면 됩니다.(연속형변수)

 

자 이제 팀 데이터의 변수를 이용하여 승/패를 예측하는 분석을 시작해보도록 하겠습니다.

 

앞서 데이터는 A팀과 B팀이 있다고 설명했는데, A팀이 이기는 것은 B팀이 지는 것이고 A팀만의 정보만으로도 이겼을 때와 졌을 때의 특성을 알 수 있기 때문에 A팀의 데이터만을 이용해서 분석을 진행하였습니다.

data_team = pd.concat([team1_df,data[['gameDuration']]],axis=1) #분석을 위해서 상대편데이터는 일단 빼고

data_team = data_team.dropna(axis=0) #데이터의 결측치 제거

data_team2 = data_team[list(data_team.columns)[2:]]#타겟데이터를 제외한 나머지 데이터 

 

다음으로는 데이터의 종속변수(승/패)말고 first로 시작하는 변수들은 T/F 값을 가지고 있어 해당 변수들을 인코딩을 해줘야합니다.

인코딩 방법으로는 ONE HOT ENCODING와 Labeling을 하는 방법이 있는데 저는 라벨링 방법으로 변수를 인코딩 하겠습니다.

from sklearn.preprocessing import LabelEncoder
for i in range(0,6):
    le = LabelEncoder()
    y = list(data_team2.iloc[:,i])
    
    le.fit(y)
    y2 = le.transform(y) 
    
    data_team2.iloc[:,i] = y2

자 이제 데이터를 확인해보시면 데이터에 라벨이 붙어 있는 것을 확인하실 수 있습니다.

 

이제 종속변수도 라벨링을 해주겠습니다.

dict_winner2 = {"Win" : 0, "Fail": 1}
data_team['win'].map(dict_winner2).tolist()

 

분석을 위한 준비를 끝냈습니다.

 

이제 본격적으로 모델에 학습시켜 보겠습니다.

 

1. 먼저 데이터를 train과 test로 나누겠습니다.

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(data_team2, np.array(data_team['win'].map(dict_winner2).tolist()), test_size=0.25, stratify=np.array(data_team['win'].map(dict_winner2).tolist()), random_state=123456)

이렇게 train과 test로 데이터를 0.75 : 0.25 비율로 나눴습니다.

 

• Random forest 학습

from sklearn.ensemble import RandomForestClassifier

rf = RandomForestClassifier(n_estimators=100, oob_score=True, random_state=123456)
rf.fit(X_train, y_train) #소환사 코드를 float로 바꿔줘야함

from sklearn.metrics import accuracy_score

predicted = rf.predict(X_test)
accuracy = accuracy_score(y_test, predicted)

#oob_score = out of bag score로써 예측이 얼마나 정확한가에 대한 추정치입니다.
print(f'Out-of-bag score estimate: {rf.oob_score_:.3}')
print(f'Mean accuracy score: {accuracy:.3}')

결과는 약 87%의 정확도를 보인 것을 알 수 있습니다.

 

• Gradient Boosting classifier

from sklearn.ensemble import GradientBoostingClassifier
clf_gbc = GradientBoostingClassifier()
clf_gbc.fit(X_train,y_train)

y_pred = clf_gbc.predict(X_test)

print('테스트 정확도 = ' + str(accuracy_score(y_test,y_pred)))

GBC로 예측한 결과도 RF와 비슷하게 88%정도의 정확도를 보이는 것을 알 수 있습니다.

 

• Xgboost

from xgboost import XGBClassifier
import xgboost as xgb
from xgboost import plot_importance
from matplotlib import pyplot

#xgb로 학습시키기 위해서는 dtypes이 단순하게 int형식이면 안된다. 따라서 데이터 형식을 float로 변환시켜줘야함
X_train[['towerKills', 'inhibitorKills', 'baronKills', 'dragonKills', 'vilemawKills', 'riftHeraldKills', 'dominionVictoryScore', 'gameDuration']] = X_train[['towerKills', 'inhibitorKills', 'baronKills', 'dragonKills', 'vilemawKills', 'riftHeraldKills', 'dominionVictoryScore', 'gameDuration']].astype('float')

#xgb로 학습시키기 위해서는 dtypes이 단순하게 int형식이면 안된다. 따라서 데이터 형식을 float로 변환시켜줘야함
X_test[['towerKills', 'inhibitorKills', 'baronKills', 'dragonKills', 'vilemawKills', 'riftHeraldKills', 'dominionVictoryScore', 'gameDuration']] = X_test[['towerKills', 'inhibitorKills', 'baronKills', 'dragonKills', 'vilemawKills', 'riftHeraldKills', 'dominionVictoryScore', 'gameDuration']].astype('float')

xgb_model = XGBClassifier()
xgb_model.fit(X_train,y_train)
y_pred = xgb_model.predict(X_test)

print('테스트 정확도 = ' + str(accuracy_score(y_test,y_pred)))#정확도 계산

xgboost로 예측한 결과도 마찬가지로 높은 정확도를 보였습니다.

 

3개의 모델이 어떻게 데이터를 학습시켜서 높은 설명력을 가지게 되었는지 변수중요도를 통해서 알아보겠습니다.

각 모델별 중요하다고 생각하는 변수는 조금씩 다르지만 어느정도 중요한 변수들이 같은 것을 알 수 있습니다. 가령, 타워, 억제기와 주로 first 즉, 오브젝트 선취점에 높은 점수를 부여하는 것으로 보입니다. 이와 관련해서는 다음 포스팅에서 시각화와 함께 분석을 진행해보도록 하겠습니다.

 

 

지금까지 3개의 모델을 사용해서 간단한 승/패 예측을 해보았는데요. 이를 통해서 제가 설명했던 변수별로 승패에 어느정도 영향을 끼치는지 알 수 있었습니다. 그래서 게임 내에서 어떠한 행동을 하면 승리에 더욱 가까워질 수 있다는 점을 알게 되었고요.

 

하지만 이렇게 높은 설명력을 보이지만 실제로 어느정도인지 감이 오지 않을 것입니다. 따라서 정확하게 어떤 변수가 높아졌을 때 승리할 확률, 패배할 확률이 높아지는지 회귀분석을 통해서 알아볼 것이며 시각화를 통해서 승/패별로 변수들의 차이를 알아볼 계획입니다. 다음 포스팅도 기대해주세요!

 

위의 데이터로 분석을 하실분들은 아래의 제가 캐글에 구축해 놓은 데이터 셋을 다운받아서 하시면 됩니다!!

 

1. 챌린저, 그마, 마스터 랭크게임(바로 분석할 수 있도록 정교하게 데이터 셋 구축한 버전)

 

League Of Legends High elo Ranked Games(2020)

 

2. 챌린저, 그마, 마스터 경기 시작 후 10분, 15분까지의 게임 데이터(바로 분석할 수 있도록 정교하게 데이터 셋 구축한 버전)

League Of Legends Challenger Rank Game-10min,15min

 

3. 챌린저, 그마, 마스터 랭크게임(모든 경기 데이터가 다 담겨있지만 전처리가 필요한 데이터 셋)

League of Legends(LOL) - Ranked Games 2020

 

 

4. 챔피언, 아이템에 대한 정보

League of Legends(LOL) CHAMPION and ITEM - 2020