《绝地求生》玩家排名预测（2万5千字~大型综合实战）

最新推荐文章于 2024-01-19 14:52:54 发布
最新推荐文章于 2024-01-19 14:52:54 发布
阅读量3.6k 收藏 40
点赞数 12
分类专栏： 机器学习 文章标签： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_46092061/article/details/119120063
版权

《绝地求生》玩家排名预测

1. 项目背景

在这里插入图片描述
绝地求生(Player unknown’s Battlegrounds)，俗称吃鸡，是一款战术竞技型射击类沙盒游戏。

这款游戏是一款大逃杀类型的游戏，每一局游戏将有最多100名玩家参与，他们将被投放在绝地岛(battlegrounds)上，在游戏的开始时所有人都一无所有。玩家需要在岛上收集各种资源，在不断缩小的安全区域内对抗其他玩家，让自己生存到最后。

该游戏拥有很高的自由度，玩家可以体验飞机跳伞、开越野车、丛林射击、抢夺战利品等玩法，小心四周埋伏的敌人，尽可能成为最后1个存活的人。

在这里插入图片描述
该游戏中，玩家需要在游戏地图上收集各种资源，并在不断缩小的安全区域内对抗其他玩家，让自己生存到最后。

2. 数据集介绍

本项目中，将为您提供大量匿名的《绝地求生》游戏统计数据。

其格式为每行包含一个玩家的游戏后统计数据，列为数据的特征值。

数据来自所有类型的比赛：单排，双排，四排；不保证每场比赛有100名人员，每组最多4名成员。

文件说明:

train_V2.csv - 训练集

test_V2.csv - 测试集

数据集局部图如下图所示:

在这里插入图片描述
数据集中字段解释：

在这里插入图片描述在这里插入图片描述

3. 项目评估方式

3.1 评估方式

你必须创建一个模型，根据他们的最终统计数据预测玩家的排名，从1（第一名）到0（最后一名）。

最后结果通过平均绝对误差（MAE）进行评估，即通过预测的winPlacePerc和真实的winPlacePerc之间的平均绝对误差

3.2 MAE(Mean Absolute Error)介绍

在这里插入图片描述

4. 项目实现（数据分析+RF+lightGBM）

在接下来的分析中，我们将分析数据集，检测异常值。

然后我们通过随机森林模型对其训练，并对对该模型进行了优化。

# 导入数据基本处理阶段需要用到的api
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns

4.1 获取数据、基本数据信息查看

导入数据，且查看数据的基本信息

train = pd.read_csv("./data/train_V2.csv")

在这里插入图片描述

train.tail()

在这里插入图片描述

train.describe()

在这里插入图片描述

train.info()

在这里插入图片描述
可以看到数据一共有4446966条，

train.shape
(4446966, 29)

# 查看一共有多少场比赛
np.unique(train["matchId"]).shape
(47965,)

# 查看一共有多少组
np.unique(train["groupId"]).shape
(2026745,)

在这里插入图片描述

4.2 数据基本处理

4.2.1 数据缺失值处理

查看目标值，我们发现有一条样本，比较特殊，其“winplaceperc”的值为NaN，也就是目标值是缺失值，

因为只有一个玩家是这样，直接进行删除处理。

# 查看缺失值
# np.any(train.isnull())
# 通过上面方法查看,发现只有"'winPlacePerc"列有缺失值;

# 寻找缺失值行
train[train['winPlacePerc'].isnull()]

在这里插入图片描述

# 删除缺失值
train.drop(2744604, inplace=True)
train.shape

在这里插入图片描述

4.2.2 特征数据规范化处理

4.2.2.1 查看每场比赛参加的人数

处理完缺失值之后，我们看一下每场参加的人数会有多少呢，是每次都会匹配100个人，才开始游戏吗？

# 显示每场比赛参加人数
# transform的作用类似实现了一个一对多的映射功能，把统计数量映射到对应的每个样本上
count = train.groupby('matchId')['matchId'].transform('count')

train['playersJoined'] = count

count.count()

train.head()

在这里插入图片描述

# 通过每场参加人数进行，按值升序排列
train["playersJoined"].sort_values().head()

在这里插入图片描述
通过结果发现，最少的一局，竟然只有两个人，wtf!!!

# 通过绘制图像，查看每局开始人数
# 通过seaborn下的countplot方法，可以直接绘制统计过数量之后的直方图
plt.figure(figsize=(20,10))
sns.countplot(train['playersJoined'])
plt.title('playersJoined')
plt.grid()
plt.show()

在这里插入图片描述
通过观察，发现一局游戏少于75个玩家，就开始的还是比较少

同时大部分游戏都是在接近100人的时候才开始

限制每局开始人数大于等于75，再进行绘制。

猜想：把这些数据在后期加入数据处理，应该会得到的结果更加准确一些

# 再次绘制每局参加人数的直方图
plt.figure(figsize=(20,10))
sns.countplot(train[train['playersJoined']>=75]['playersJoined'])
plt.title('playersJoined')
plt.grid()
plt.show()

在这里插入图片描述

4.2.2.2 规范化输出部分数据

现在我们统计了“每局玩家数量”，那么我们就可以通过“每局玩家数量”来进一步考证其它特征，同时对其规范化设置

试想：一局只有70个玩家的杀敌数，和一局有100个玩家的杀敌数，应该是不可以同时比较的

可以考虑的特征值包括

  • 1.kills（杀敌数）

  • 2.damageDealt（总伤害）

  • 3.maxPlace（本局最差名次）

  • 4.matchDuration（比赛时长）

# 对部分特征值进行规范化
train['killsNorm'] = train['kills']*((100-train['playersJoined'])/100 + 1)
train['damageDealtNorm'] = train['damageDealt']*((100-train['playersJoined'])/100 + 1)
train['maxPlaceNorm'] = train['maxPlace']*((100-train['playersJoined'])/100 + 1)
train['matchDurationNorm'] = train['matchDuration']*((100-train['playersJoined'])/100 + 1)

# 比较经过规范化的特征值和原始特征值的值
to_show = ['Id', 'kills','killsNorm','damageDealt', 'damageDealtNorm', 'maxPlace', 'maxPlaceNorm', 'matchDuration', 'matchDurationNorm']
train[to_show][0:11]

在这里插入图片描述

4.2.3 部分变量合成

此处我们把特征：heals(使用治疗药品数量)和boosts(能量、道具使用数量)合并成一个新的变量，命名：”healsandboosts“， 这是一个探索性过程，最后结果不一定有用，如果没有实际用处，最后再把它删除。

# 创建新变量“healsandboosts”
train['healsandboosts'] = train['heals'] + train['boosts']

train[["heals", "boosts", "healsandboosts"]].tail()

在这里插入图片描述

4.2.4 异常值处理

4.2.4.1 异常值处理：删除有击杀，但是完全没有移动的玩家

异常数据处理：

一些行中的数据统计出来的结果非常反常规，那么这些玩家肯定有问题，为了训练模型的准确性，我们会把这些异常数据剔除

通过以下操作，识别出玩家在游戏中有击杀数，但是全局没有移动；

这类型玩家肯定是存在异常情况（挂**），我们把这些玩家删除。

# 创建新变量，统计玩家移动距离
train['totalDistance'] = train['rideDistance'] + train['walkDistance'] + train['swimDistance']
# 创建新变量，统计玩家是否在游戏中，有击杀，但是没有移动，如果是返回True, 否则返回false
train['killsWithoutMoving'] = ((train['kills'] > 0) & (train['totalDistance'] == 0))

train["killsWithoutMoving"].head()

在这里插入图片描述

train["killsWithoutMoving"].describe()

在这里插入图片描述

# 检查是否存在有击杀但是没有移动的数据
train[train['killsWithoutMoving'] == True].shape
(1535, 37)

train[train['killsWithoutMoving'] == True].head()

在这里插入图片描述

# 删除这些数据
train.drop(train[train['killsWithoutMoving'] == True].index, inplace=True)

在这里插入图片描述

4.2.4.2 异常值处理：删除驾车杀敌数异常的数据
# 查看载具杀敌数超过十个的玩家
train[train['roadKills'] > 10]

在这里插入图片描述

# 删除这些数据
train.drop(train[train['roadKills'] > 10].index, inplace=True)

在这里插入图片描述

4.2.4.3 异常值处理：删除玩家在一局中杀敌数超过30人的数据
# 首先绘制玩家杀敌数的条形图
plt.figure(figsize=(10,4))
sns.countplot(train["kills"])
plt.show()

在这里插入图片描述

train[train['kills'] > 30].shape
(95, 37)

train[train['kills'] > 30].head()

在这里插入图片描述

4.2.4.4 异常值处理：删除爆头率异常数据

如果一个玩家的击杀爆头率过高，也说明其有问题

# 创建变量爆头率
train['headshot_rate'] = train['headshotKills'] / train['kills']
train['headshot_rate'] = train['headshot_rate'].fillna(0)

train["headshot_rate"].tail()

在这里插入图片描述

# 绘制爆头率图像
plt.figure(figsize=(12,4))
sns.distplot(train['headshot_rate'], bins=10, kde=False)
plt.show()

在这里插入图片描述

train[(train['headshot_rate'] == 1) & (train['kills'] > 9)].shape
(24, 38)

train[(train['headshot_rate'] == 1) & (train['kills'] > 9)].head()

在这里插入图片描述

train.drop(train[(train['headshot_rate'] == 1) & (train['kills'] > 9)].index, inplace=True)
4.2.4.5 异常值处理：删除最远杀敌距离异常数据
# 绘制图像
plt.figure(figsize=(12,4))
sns.distplot(train['longestKill'], bins=10, kde=False)
plt.show()

在这里插入图片描述

# 找出最远杀敌距离大于等于1km的玩家
train[train['longestKill'] >= 1000].shape
(20, 38)

train[train['longestKill'] >= 1000]["longestKill"].head()

在这里插入图片描述

train.drop(train[train['longestKill'] >= 1000].index, inplace=True)
train.shape
(4445287, 38)
4.2.4.6 异常值处理：删除关于运动距离的异常值
# 距离整体描述
train[['walkDistance', 'rideDistance', 'swimDistance', 'totalDistance']].describe()

在这里插入图片描述
a）行走距离处理

train[train['walkDistance'] >= 10000].shape
(219, 38)
train[train['walkDistance'] >= 10000].head()

在这里插入图片描述

train.drop(train[train['walkDistance'] >= 10000].index, inplace=True)

b）载具行驶距离处理

train[train['rideDistance'] >= 20000].shape
(150, 38)
train[train['rideDistance'] >= 20000].head()

在这里插入图片描述

train.drop(train[train['rideDistance'] >= 20000].index, inplace=True)

c）游泳距离处理

train[train['swimDistance'] >= 2000].shape
train[train['swimDistance'] >= 2000][["swimDistance"]]

在这里插入图片描述

train.drop(train[train['swimDistance'] >= 2000].index, inplace=True)
4.2.4.7 异常值处理：武器收集异常值处理
train[train['weaponsAcquired'] >= 80].shape
(19, 38)

train[train['weaponsAcquired'] >= 80][['weaponsAcquired']].head()

在这里插入图片描述

train.drop(train[train['weaponsAcquired'] >= 80].index, inplace=True)
4.2.4.8 异常值处理：删除使用治疗药品数量异常值
train[train['heals'] >= 40].shape
(135, 38)

train[train['heals'] >= 40][["heals"]].head()

在这里插入图片描述

train.drop(train[train['heals'] >= 40].index, inplace=True)

在这里插入图片描述

4.2.5 类别型数据处理

4.2.5.1 比赛类型one-hot处理
# 关于比赛类型，共有16种方式
train['matchType'].unique()

在这里插入图片描述

# 对matchType进行one_hot编码
# 通过在后面添加的方式,实现,赋值并不是替换
train = pd.get_dummies(train, columns=['matchType'])

train.shape

# 通过正则匹配查看具体内容
matchType_encoding = train.filter(regex='matchType')
matchType_encoding.head()

在这里插入图片描述

4.2.5.2 对groupId,matchId等数据进行处理

关于groupId,matchId这类型数据，也是类别型数据。但是它们的数据量特别多，如果你使用one-hot编码，无异于自杀。

在这儿我们把它们变成用数字统计的类别型数据依旧不影响我们正常使用。

# 把groupId 和 match Id 转换成类别类型 categorical types
# 就是把一堆不怎么好识别的内容转换成数字

# 转换group_id
train["groupId"].head()

在这里插入图片描述

train['groupId'] = train['groupId'].astype('category')

在这里插入图片描述

train["groupId_cat"] = train["groupId"].cat.codes
train["groupId_cat"].head()

在这里插入图片描述

# 转换match_id
train['matchId'] = train['matchId'].astype('category')

train['matchId_cat'] = train['matchId'].cat.codes

# 删除之前列
train.drop(['groupId', 'matchId'], axis=1, inplace=True)

# 查看新产生列
train[['groupId_cat', 'matchId_cat']].head()

在这里插入图片描述
在这里插入图片描述

4.2.6 数据截取

4.2.6.1 取部分数据进行使用（1000000）
# 取前100万条数据，进行训练
sample = 1000000
df_sample = train.sample(sample)

在这里插入图片描述

4.2.7 确定特征值和目标值

# 确定特征值和目标值
df = df_sample.drop(["winPlacePerc", "Id"], axis=1) #all columns except target

y = df_sample['winPlacePerc'] # Only target variable

在这里插入图片描述
在这里插入图片描述

4.2.8 分割训练集和测试集

from sklearn.model_selection import train_test_split

X_train, X_valid, y_train, y_valid = train_test_split(df, y, test_size=0.2)

4.3 机器学习（模型训练）和评估

# 导入需要训练和评估api
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_absolute_error

4.3.1 使用随机森林对模型进行训练

4.3.1.1 初步使用随机森林进行模型训练
# 模型训练
m1 = RandomForestRegressor(n_estimators=40, 
                           min_samples_leaf=3, 
                           max_features='sqrt',
                           n_jobs=-1)
# n_jobs=-1 表示训练的时候，并行数和cpu的核数一样，如果传入具体的值，表示用几个核去跑

m1.fit(X_train, y_train)

在这里插入图片描述

y_pre = m1.predict(X_valid)
m1.score(X_valid, y_valid)

mean_absolute_error(y_true=y_valid, y_pred=y_pre)

在这里插入图片描述
经过第一次计算，得出准确率为：0.92， mae=0.061

4.3.1.2 再次使用随机森林，进行模型训练

减少特征值，提高模型训练效率

# 查看特征值在当前模型中的重要程度
m1.feature_importances_

在这里插入图片描述

imp_df = pd.DataFrame({"cols":df.columns, "imp":m1.feature_importances_})

在这里插入图片描述

imp_df = imp_df.sort_values("imp", ascending=False)

在这里插入图片描述

# 绘制特征重要性程度图，仅展示排名前二十的特征
imp_df[:20].plot('cols', 'imp', figsize=(20,8), kind = 'barh')
plt.show()

在这里插入图片描述

# 保留比较重要的特征
to_keep = imp_df[imp_df.imp>0.005].cols
print('Significant features: ', len(to_keep))
to_keep

在这里插入图片描述

# 由这些比较重要的特征值，生成新的df
df[to_keep].head()

在这里插入图片描述

# 重新制定训练集和测试集
df_keep = df[to_keep]
X_train, X_valid, y_train, y_valid = train_test_split(df_keep, y, test_size=0.2)

在这里插入图片描述

# 模型训练
m2 = RandomForestRegressor(n_estimators=40, min_samples_leaf=3, max_features='sqrt',
                          n_jobs=-1)
# n_jobs=-1 表示训练的时候，并行数和cpu的核数一样，如果传入具体的值，表示用几个核去跑

m2.fit(X_train, y_train)

在这里插入图片描述

# 模型评分
y_pre = m2.predict(X_valid)
m2.score(X_valid, y_valid)

# mae评估
mean_absolute_error(y_true=y_valid, y_pred=y_pre)

# 使用该种方法,最后得到的结果,反而更差,停止优化!

在这里插入图片描述

4.3.2 使用lightGBM对模型进行训练

4.3.2.1 模型初次尝试
import lightgbm as lgb

# 创建模型，训练模型
gbm = lgb.LGBMRegressor(objective='regression', 
                        num_leaves=31, 
                        learning_rate=0.05, 
                        n_estimators=20)

gbm.fit(X_train, y_train, 
        eval_set=[(X_valid, y_valid)], 
        eval_metric='l1', 
        early_stopping_rounds=5)
# ps:最后几个参数必须一起使用.

在这里插入图片描述

# 测试机预测
y_pred = gbm.predict(X_valid, num_iteration=gbm.best_iteration_)
mean_absolute_error(y_valid, y_pred)

在这里插入图片描述

4.3.2.2 模型二次调优
from sklearn.model_selection import GridSearchCV
# 网格搜索，参数优化
estimator = lgb.LGBMRegressor(num_leaves=31)
param_grid = {
    'learning_rate': [0.01, 0.1, 1],
    'n_estimators': [20, 40, 60, 100, 200, 300]
}
gbm = GridSearchCV(estimator, param_grid, cv=5, n_jobs=-1) # 此处原来有个警告,通过此添加,解决掉!!!
gbm.fit(X_train, y_train)

在这里插入图片描述

# 测试机预测
y_pred = gbm.predict(X_valid)
mean_absolute_error(y_valid, y_pred)

在这里插入图片描述

print('交叉验证\网格搜索调试后,最好的参数模型是:', gbm.best_params_)

交叉验证\网格搜索调试后,最好的参数模型是: {‘learning_rate’: 0.1, ‘n_estimators’: 300}

4.3.2.3 模型三次调优[思路]
# n_estimators
scores = []
n_estimators = [100, 500, 1000]

for nes in n_estimators:
    lgbm = lgb.LGBMRegressor(boosting_type='gbdt', 
                      num_leaves=31,
                      max_depth=5,
                      learning_rate=0.1,
                      n_estimators=nes,
                      min_child_samples=20,
                      n_jobs=-1)
    
    lgbm.fit(X_train, y_train, eval_set=[(X_valid, y_valid)], eval_metric='l1', early_stopping_rounds=5)
    y_pre = lgbm.predict(X_valid)
    mae = mean_absolute_error(y_valid, y_pre)
    scores.append(mae)
    print("test data mae eval : {}".format(mae))

在这里插入图片描述

plt.plot(n_estimators,scores,'o-')
plt.ylabel("mae")
plt.xlabel("n_estimator")
print("best n_estimator {}".format(n_estimators[np.argmin(scores)]))

best n_estimator 500

在这里插入图片描述

# max_depths
scores = []
max_depths = [1, 5, 7, 9]

for nes in max_depths:
    lgbm = lgb.LGBMRegressor(boosting_type='gbdt', 
                      num_leaves=31,
                      max_depth=nes,
                      learning_rate=0.1,
                      n_estimators=1000,
                      min_child_samples=20,
                      n_jobs=-1)
    lgbm.fit(X_train, y_train, eval_set=[(X_valid, y_valid)], eval_metric='l1', early_stopping_rounds=5)
    y_pre = lgbm.predict(X_valid)
    mae = mean_absolute_error(y_valid, y_pre)
    scores.append(mae)
    print("test data mae eval : {}".format(mae))

在这里插入图片描述

scores

在这里插入图片描述

plt.plot(max_depths,scores,'o-')
plt.ylabel("mae")
plt.xlabel("max_depths")
print("best max_depths {}".format(max_depths[np.argmin(scores)]))

best max_depths 7

在这里插入图片描述
其他参数可以依次如上调优。

ML入门学习暂且告一段落！感谢老师的悉心讲解！希望我可以慢慢去懂这些知识。

加油!

感谢!

努力!

chaser&upper
关注
专栏目录
《绝地求生》玩家排名预测-pubg(竞赛)参考型模
markliu的博客
02-22 6013
1 《绝地求生》玩家排名预测 ---- 你能预测《绝地求生》玩家战斗结束后的排名吗？ ![在这里插入图片描述](https://img-blog.csdnimg.cn/20200222114528367.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6...
绝地求生吃鸡排名预测，根据玩家的行为数据对玩家每局最终的排名进行预测，包含随机森林和全连接网络两个模型
05-22
根据PUBG比赛数据中玩家的行为数据，够构建模型对玩家每局最终的排名进行预测。包含随机森林和全连接网络两个模型。
绝地求生玩家排名预测
wulin的博客
03-13 2533
实践
绝地求生游戏最终排名预测--数据分析实战
最新发布
HHAoW的博客
01-19 2307
绝地求生是一款由蓝洞在 2017 年发行的大逃杀型游戏。一经推出就深受广大游戏玩家的喜欢。而本次实验则是分析怎么样才能在游戏中取得胜利。当然，这不是游戏教程，而是用数据来分析出一些对游戏最终排名有用的信息。
《绝地求生》玩家排名预--1.介绍
qq_41424626的博客
09-09 959
v《绝地求生》玩家排名预测 ---- 你能预测《绝地求生》玩家战斗结束后的排名吗？ 一、项目背景 【项目简介】 绝地求生(Player unknown’s Battlegrounds)，俗称吃鸡，是一款战术竞技型射击类沙盒游戏。 这款游戏是一款大逃杀类型的游戏，每一局游戏将有最多100名玩家参与，他们将被投放在绝地岛(battlegrounds)上，在游戏的开始时所有人都一无所有。玩家需要在岛上收集各种资源，在不断缩小的安全区域内对抗其他玩家，让自己生存到最后。 本作拥有很高的自由度，玩家可以体验飞机跳伞
绝地求生玩家排名预测数据集
03-14
在IT领域，特别是数据分析和人工智能方向，"绝地求生玩家排名预测数据集"是一个典型的应用实例，用于实践机器学习技术。这个数据集是专门为预测游戏中的玩家排名设计的，可能包含了玩家的各种游戏行为和统计数据，如...
百度飞桨《绝地求生》排名预测过基线AI训练营：通过自改代码实现95加《优化器内部修改》可以参考
05-27
在百度飞桨内提出最优算法，通过千次训练，寻出最优优化器学习率等等方法，使得最终提交文件使得达到95加 通过改后的代码，按照教程，左边下载submission.zip提交到作业里，查看代码成绩，超过91.8基础分可以获得...
绝地求生游戏最终排名预测-数据分析实战数据包
01-19
绝地求生是一款由蓝洞在 2017 年发行的大逃杀型游戏。一经推出就深受广大游戏玩家的喜欢。而本次实验则是分析怎么样才能在游戏中取得胜利。当然，这不是游戏教程，而是用数据来分析出一些对游戏最终排名有用的信息。
机器学习——集成学习进阶
醋酸洋红的博客
06-29 198
目录XGBoost目标函数XGBoost回归树构建方法XGboost和GDBT的区别api介绍XGBoost案例otto案例——xgboost实现lightGBM参数介绍lightGBM案例《绝地求生》玩家排名预测 XGBoost 极端梯度提升树 目标函数 XGBoost回归树构建方法 XGboost和GDBT的区别 api介绍 XGBoost案例 在决策树中的机器学习部分代码进行修改 # 4.xgboost模型训练 # 4.1 初步模型训练 from xgboost import
吃鸡玩家排名预测-人工智能.py
06-01
吃鸡玩家排名预测-人工智能.py
【飞桨学习赛：吃鸡排名预测挑战赛】202211第9名方案
m0_63642362的博客
01-14 674
《绝地求生》(PUBG) 是一款战术竞技型射击类沙盒游戏。在该游戏中，玩家需要在游戏地图上收集各种资源，并在不断缩小的安全区域内对抗其他玩家，让自己生存到最后。当选手在本局游戏中取得第一名后，会有一段台词出现：“大吉大利，晚上吃鸡!”。
Python-线性回归模型预测绝地求生玩家排名
数据之旅的点点滴滴
03-25 7357
比赛官网：Kaggle绝地求生数据集 比赛描述：在PUBG游戏（绝地求生）中，每场比赛最多有100名玩家，玩家可以在团队上根据有多少其他团队在被淘汰时还活着而在游戏结束时排名。在游戏中，玩家可以获得不同的弹药，恢复被击倒但未被击杀的队友，驾驶车辆，游泳，跑步，射击等等。 官网给的数据集包含大量匿名的PUBG游戏统计数据，数据格式为每行包含一个玩家的赛后统计数据。数据来自所有类型的比赛：单排，双...
基于Python语言的PUBG游戏数据可视化分析系统
巴黎旧夢的博客
05-18 3962
[success]写于2019年大作业[/success] 博客链接：https://www.iamzlt.com/?p=299 代码链接请到博客链接内查看。 摘要 随着网络技术的兴起和普及，网络游戏产业异军突起，成为全球重要的文化产业之一。本文以PUBG游戏为例，基于Python语言通过爬取直播平台和论坛数据，实现对其流量和评价的抓取与分析，并通过大数据对局内数据进行统计与分析，探究PUBG游戏的玩法与攻略。系统基于Python语言，使用requests、pandas、matplotlib、worldcl
PUBG 吃鸡排名预测
weixin_34073041的博客
08-25 1663
对于一般机器学习来说，总体的流程其实分为三个大的步骤： 1. 数据清洗 2. 模型构建 3. 模型评估 其中，第二步和部分第三步都是靠套路进行解决的，所需要修改的部分只是一些调参，可以使用gridCV 的方法进行调参，很多情况下能得到不错的效果。 所以其实最难的部分主要其实还是数据清洗，相对于调用库来说，怎样把数据清洗成有用的、自己想要的格式，是一个最大的问题。 数据清洗难题的解决办法 个人认为机器学习相对于深度学习简单的一个原因，就是因为机器学习的可解释性很强，每一步都可以根据实际情况进行解释，所以带入
python数据分析处理：PUBG Finish Placement Prediction
qq_27851579的博客
07-02 856
PUBG Finish Placement Prediction (Kernels Only) 比赛网址：https://www.kaggle.com/c/pubg-finish-placement-prediction/data 问题背景： 在PUBG游戏中，每场比赛最多有100名玩家，玩家可以根据在自己被淘汰时还有多少玩家活着从而获得比赛排名。 在游戏中，玩家可以拿起不同的武器攻击敌人，也可以恢复被击倒但未被杀死的队友，驾驶车辆，游泳，跑步，射击，并承担相应的结果- 例如跑太远或被敌人杀死。为了赢得比赛
Python数据分析 - 机器学习笔记：第一章数据分析 - 1.3.3.分组运算
元文的博客
09-19 546
简介；掌握常规统计方法、掌握分组运算方法
机器学习概述
weixin_45925906的博客
02-19 471
什么是机器学习 机器学习是从数据中自动分析获得模型，并利用模型对未知数据进行预测 数据集的构成 特征值+目标值 机器学习的算法分类 例子： 特征值：猫/狗的图片；目标值：猫/狗-类别——分类问题 特征值：房屋的各个属性信息；目标值：房屋价格-连续型数据——回归问题 特征值：人物的各个属性信息；目标值：无——无监督学习 总结： 机器学习算法分类 监督学习(supervised learning)（预测） 定义：输入数据是由输入特征值和目标值所组成。函数的输出可以是一个连续的值(称为回归），或是输出是有限
评论 11
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

chaser&upper

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值