Predicting the results of Esports matches by means of machine learning

Abstract

Індустрія кіберспорту є високорозвиненою міждисциплінарною сферою, в якій широко використовується машинне навчання. Ми вивчаємо застосування методів машинного навчання для прогнозування результатів кіберспортивних матчів. На основі кореляційного аналізу визначено вхідні змінні для прогнозування результатів кіберспортивних матчів онлайн-гри League of Legends. Пакет SAS Enterprise Miner створює прогнозні моделі у формі дерева рішень, логістичної регресії та нейронної мережі. На основі аналізу показників якості прогнозних моделей обґрунтовано використання нейронної мережі як предиктора результатів кіберспортивних матчів. Основна перевага нашого підходу полягає в тому, що він підвищує точність прогнозу за допомогою обраної найкращої моделі машинного навчання.Индустрия киберспорта – высокоразвитая междисциплинарная сфера, в которой широко используется машинное обучение. Мы изучаем применение методов машинного обучения для прогнозирования результатов киберспортивных матчей. На основе корреляционного анализа определены входные переменные для прогнозирования результатов киберспортивных матчей онлайн игры League of Legends. Пакет SAS Enterprise Miner создает прогнозные модели в виде дерева решений, логистической регрессии и нейронной сети. На основе анализа показателей качества прогнозных моделей обосновано использование нейронной сети в качестве предиктора результатов киберспортивных матчей. Основное преимущество нашего подхода заключается в том, что он повышает точность прогноза с помощью выбранной модели машинного обучения.The e-sports industry is a highly developed interdisciplinary field in which machine learning is widely used. We examine the application of machine learning techniques in order to predict the results of e-sports matches. Based on the correlation analysis, the input variables for predicting the results of the e-sports matches of the online game League of Legends are determined. The SAS Enterprise Miner package builds predictive models in the form of a decision tree, logistic regression and neural network. Based on the analysis of the quality indicators of forecast models, the use of the neural network as a predictor of the results of e-sports matches is substantiated. The main advantage of our approach is that it improves the forecast accuracy using chosen best machine learning model.