League of Legends analysis

1. Picking champion strategy with Bayesian view

Analysis summary & result

• 원본 데이터 요약
  • 특정시점(2017-10-30) challenge, master tier 계정이 7.21버전으로 플레이한 게임을 모았다. (5985 게임)
  • 그 중에서 소환사의 협곡, 솔로랭크, Classic game mode만으로 대상을 추렸다. (3051 게임)
  • 팀별 픽한 챔피언과 승리 여부를 모았다.
• 분석방향
  • Bayes’ theorem을 활용하여 주어진 상황에서 내가 어떤 챔피언을 고를 경우 승률을 예측하고 싶다.
  • posterior probability( = expect_win_rate)
    • prior probability * likelihood / evidence
    • 우리팀과 상대팀이 챔피언 픽을 한 상태에서 내 픽 차례가 왔을 경우 특정 챔피언의 예상되는 승률.
      • prior probability( = champion_win_rate)
        • 한 챔피언을 골랐을 때 승률.
      • likelihood (= pick_champion_win_rate)
        • 내가 고른 챔피언이 있는 경우에 한해 내가 픽하기 전에 우리팀과 다른팀 픽한 챔피언들이 있는 게임의 승률.
      • evidence ( = pick_champion_win_rate * champion_win_rate + without_pick_champion_win_rate * (1 - champion_win_rate)
        • 우리팀과 상대팀이 챔피언들을 골랐을 때 승률.
• Recommend champion
  • expect_win_rate(= posterior probability)을 이용해 어떤 챔피언을 내가 픽 했을 때 예상 승률 계산.
  • 내림차순으로 상위 5개 챔피언을 보여준다.
  • 다만 게임 플레이 수가 300회 이상인 챔피언만 보여준다.
    • 아트록스 같은 경우 일반적으로 좋지 않은 챔피언이지만 장인들이 사용해서 게임수는 적으나 승률이 높을 수 있다.
  • 벤이 되어 있지 않은 챔피언을 선택하고 플레이한다.
• 결론
  • Bayesian view 픽 추천 시스템을 만들었다.
    • 최초에는 벤 추천 시스템까지 만들려 했었지만 프로리그에서의 벤픽과 달리 랭크 게임에서는 각 플레이어가 동시에 한 케릭터씩 밴을 하기 때문에 분석의 의미가 없다고 판단했다.
      • 벤픽 순서가 있는 프로리그 데이터가 있다면 프로리그용 벤픽 추천 시스템을 만들 수 있다.
  • Bayesian view는 데이터가 많이 쌓이면 쌓일 수록 강력해지기에 셈플 데이터의 숫자가 중요하다.
    • 셈플 숫자가 부족하여 (0,1), (1,2) 상황에서의 픽 이후 단계는 잘 추천해주지 못한다.
• 부족한점
  • 챔피언을 고르는 행위가 어떤 챔피언이 앞에 픽이 되었는지와 상관없이 독립적인 선택이라는 강력한 가정이 들어가 있다.
    • 하지만 현실은 우리팀이 알리스타나 말파이트를 고르면 야스오 픽이지.
  • 본인의 포지션별로 추천해주지는 못했다. 이것 역시도 셈플이 더 많다고 하면 포지션에 따른 픽 셈플을 가지고 분석이 가능하다.
  • 프로게이머들에게는 부적합하다. 개인화되어야 할 필요가 있다.
  • 함수가 세부 기능 단위로 나뉘어져 있지 않아서 가독성이 떨어진다.
  • 현재 Riot에서 제공하는 데이터로는 픽 순서를 파악할 수 없다.
• 느낀점
  • 난 피지컬이 부족하기에 어떻게 하면 피지컬을 제외한 부분에서 효과적인 전략을 세울 수 있는 부분이 무엇일까를 고민하다 본 분석을 시작하게 되었다.
    • 하지만 그 챔피언의 숙련도가 떨어진다면 소용없다는 건 함정.
  • 프로게임단 코치들은 벤픽 전략을 어떻게 세우는지 궁금하다.
  • 2017.11.04 2017년 롤드컵 결승전이 얼마 안남았다. SKT 화이팅! 울프 선수 화이팅!