使用机器学习预测电子竞技游戏《守望先锋》的胜负

摘要： 机器学习可以预测游戏的输赢？来看看Bowen Yang博士是如何构建这一模型的。

《守望先锋》中的英雄

来自加州大学河滨分校的物理学博士学位的Bowen Yang正在致力于构建一个模型——对游戏中的人物特征进行有意义的学习，来预测电子竞技游戏中的获胜团队。这个方法广泛适用于任何具有结构化数据的业务。

现在，电子竞技游戏是一个有着巨大潜力且不断上升的市场。去年，在英雄联盟的世界冠军赛中，仅仅一场半决赛就吸引了1.06亿观众，甚至超过了2018年的超级碗（美国职业橄榄球大联盟年度冠军赛）。为玩家提供个性化游戏分析的公司Visor，就希望能够有一个可以实时预测团队胜率的模型。

预测比赛

预测模型有很多种用途。比如，它可以向玩家提供有效反馈，帮助他们提高技能；对于玩家，它可以成为一个很好的参与工具，来吸引那些不熟悉游戏规则的潜在玩家；另外，如果一个模型在预测方面能够超越人类，那么它在电子竞技下注方面就会有着前所未有的潜力。

DOTA2国际邀请赛现场

《守望先锋》简介

我们今天建模的对象是《守望先锋》——一款基于团队的多人在线射击游戏。每个队伍有六名玩家，每位玩家从英雄列表（26名英雄）中选择一个英雄（游戏角色，如超级马里奥），与另一队进行战斗，每场游戏都有特定的游戏地图（游戏开始之前就已设定）。

游戏中有很多因素会影响游戏的预测结果，其中大部分是分类特征。举个例子，英雄的选择对于游戏的前期有着很大的作用。因此，我们面临的挑战是：如何处理这些分类特征。如果我只使用一种热编码，那么特征空间可以很轻松地增长到数百个维度。不幸的是，收集足够多的游戏数据来满足这个高纬度特征空间，这几乎是不可能的。

纵轴和横轴分别为预测准确度与游戏进度，使用热编码和特征选择的逻辑回归对预测进行建模。在游戏接近尾声时，预测较为准确；但在游戏开始时，预测几乎是一个随机值（具有0.5的准确性）。

本文将重点介绍如何使用嵌入对这些游戏角色进行建模，以及如何提升预测的准确度。

有关更多细节和实现，请参阅我的Github链接。

多个英雄可以组成一个队伍（“复仇者”）

从《魔兽世界》等角色扮演游戏到Dota 2、<