Система аналитики для определения рейтинга участников киберспортивных состязаний

1.

Система аналитики для
определения рейтинга
участников киберспортивных
состязаний
Выполнил: Апочкин Б.Д. ИАИТ-103М

2.

Введение
Киберспорт стал глобальным феноменом,
привлекающим миллионы зрителей и
генерирующим огромные доходы. В условиях
высокой конкуренции и быстро меняющегося
ландшафта киберспортивной индустрии,
точная и объективная оценка навыков и
достижений игроков и команд приобретает
все большее значение. Традиционные
методы оценки часто субъективны и не
отражают всей полноты картины. В данном
докладе будет представлена концепция и
основные аспекты разработки системы
аналитики, предназначенной для
автоматизированного определения и
поддержания актуальных рейтингов
участников киберспортивных состязаний.

3.

Актуальность
Обусловлена следующими аспектами:
Затруднённая субъективная оценка матчей
Потребность в автоматизированных методах анализа
Коммерческие интересы инвесторов и спонсоров

4.

Цель работы
Целью работы является определение рейтинговой системы,
которая будет основываться на строгих математических
моделях, учитывать изменения в игровом балансе и
стратегиях, предоставлять понятное объяснение механизма
расчета рейтинга, позволять прогнозировать результаты
будущих матчей.

5.

Этапы проектирования системы
Определение метрик и факторов
X = {x₁, x₂, …, xₙ} - множество ключевых метрик.
F = {f₁, f₂, …, fₙ} - факторы влияния.
Сбор и очистка данных
M = {m₁, m₂, …, mₙ} - множество матчей.
Z = (x - μ) / σ - Z-оценка, где x - значение метрики, μ - среднее значение, σ стандартное отклонение.

6.

Этапы проектирования системы
Разработка алгоритма расчета рейтинга
Рейтинг игрока i после матча j рассчитывается по формуле Elo:
Rᵢ(j) = Rᵢ(j-1) + K * (Sᵢ - Eᵢ),
где Rᵢ(j) рейтинг игрока i после матча j, K - коэффициент чувствительности (зависит от
рейтинга и опыта игрока), Sᵢ - результат матча (1 - победа, 0 - поражение, 0.5 - ничья), Eᵢ ожидаемая вероятность победы игрока i.
Следующая формула определяет ожидаемую вероятность победы игрока i:
Eᵢ = 1 / (1 + 10^((Rₒₙₙ - Rᵢ)/400)), где Rₒₙₙ - рейтинг соперника.
Пример учета факторов влияния:
Rᵢ(j) = Rᵢ(j-1) + K * w(f) * (Sᵢ - Eᵢ), где w(f) - модифицирующий коэффициент.

7.

Этапы проектирования системы
Валидация и тестирование алгоритма
Для проверки модели можно использовать как
статические тесты, так и метрики оценки:
o
Точность прогнозирования (Accuracy)
o
Среднеквадратичная ошибка
RMSE = √[ Σ (Rᵢ - R’ᵢ)² / N ], где Rᵢ - рассчитанный
рейтинг, R’ᵢ - экспертная оценка, N - количество
игроков

8.

Математическое моделирование
факторов влияния
Факторы влияния могут быть введены в модель различными способами:
Аддитивная модель
Rᵢ(j) = Rᵢ(j-1) + K * (Sᵢ - Eᵢ) + Σ αₙ * fₙ, где αₙ - коэффициент влияния фактора fₙ.
Мультипликативная модель
Путем обучения модели машинного обучения

9.

Модель
работы
системы

10.

Заключение
Создание системы аналитики для
киберспортивных состязаний – это
сложная, но крайне перспективная
задача. Успешная реализация такого
проекта позволит значительно улучшить
понимание и управление в этой
динамичной и быстро развивающейся
индустрии.

11.

Спасибо за
внимание!