Development of machine learning pipeline for player's skill classification in multiplayer online battle arena games

การพัฒนาการทำงานแบบสายท่อข้อมูลการเรียนรู้ของเครื่องสำหรับการจำแนกทักษะของผู้เล่นในเกมแบบลานต่อสู้ออนไลน์หลายผู้เล่น

Name: Methasit Pengmatchaya

LCSH: Games -- Rules

LCSH: Games

Abstract: The esports industry is one of the prominent business sectors in the digital era, particularly Multiplayer Online Battle Arena (MOBA) games which gain much attention from gamers and streaming audiences. Among such games, Defense of the Ancient 2 or Dota 2 is the record holder for the highest prize esports tournament. Therefore, various companies and investors start their esports teams to compete in the Dota 2 tournaments, the Internationals. To success in the competition, player recruitment is a crucial process as it usually takes considerable effort to find a skillful player. Watching the game replay to evaluate the player's skill is one of the approaches. However, it can be too exhaustive, also some player's ranking, which represent the player's skill, are often not available. The study proposes an effective machine learning pipeline to evaluate the player's skill. The designed pipeline includes data collection, feature engineering, and machine learning modeling. Data collection process using an open-source API. An effective method for feature engineering is proposed. Features, e.g., end-game, or tactical decision related statistics, are incorporated along with the resource in the game distribution, harassment tactic, or spatiotemporal features, in order to provide effective models. Subsequently, major machine learning models based on a single game data are applied, i.e., logistic regression and random forest, to the processed data. The most effective model can achieve up to 0.7091 precision, 0.5850 recall, 0.6411 F1-score, and 0.8123 ROC AUC score.

Abstract: อุตสาหกรรมกีฬาอิเล็กทรอนิกส์เป็นหนึ่งในภาคธุรกิจที่สำคัญในยุคดิจิทัล โดยเฉพาะเกมแนวลานต่อสู้ออนไลน์หลายผู้เล่น (Multiplayer Online Battle Arena) ที่ได้รับความนิยมจากเหล่าเกมเมอร์และผู้ชมสตรีมมิ่ง ในบรรดาเกมเหล่านี้ Dota 2 หรือ Defense of the Ancient 2 ครองสถิติการแข่งขันกีฬาอิเล็กทรอนิกส์เที่มีเงินรางวัลสูงที่สุด ดังนั้น บริษัทและนักลงทุนจึงเริ่มต้นสร้างทีมกีฬาอิเล็กทรอนิกส์ของตนเองเพื่อเข้าแข่งขันในรายการ The International ของ Dota 2 การสรรหาผู้เล่นจึงเป็นกระบวนการที่สำคัญหนึ่งในวิธีการสรรหาผู้เล่นการรับชมภาพซ้ำ การแข่งขันเพื่อประเมินทักษะของผู้เล่น อย่างไรก็ตามวิธีการนี้ใช้เวลาค่อนข้างสูง และข้อมูลอันดับของผู้เล่นซึ่งบ่งบอกถึงทักษะของผู้เล่นเป็นข้อมูลที่เข้าถึงได้ค่อนข้างยาก งานวิจัยนี้ได้เสนอแนวทางการใช้การเรียนรู้ของเครื่องที่มีประสิทธิภาพในการประเมินทักษะของผู้เล่น ประกอบด้วยวิธีการรวบรวมข้อมูล กระบวนการสกัดข้อมูล และการสร้างแบบจำลองการเรียนรู้ของเครื่อง กระบวนการรวบรวมข้อมูลใช้ API บทความได้เสนอวิธีการที่มีประสิทธิภาพสำหรับกระบวนการสกัดข้อมูล เพื่อสกัดสถิติที่เกี่ยวข้องกลยุทธ์และข้อมูลโดยสรุป เช่นการจัดสรรทรัพยากร การไล่และข้อมูลเชิงปริภูมิกาล เพื่อให้ได้แบบจำลองที่มีประสิทธิภาพ ต่อจากนั้น นำแบบจำลองการเรียนรู้ของเครื่องหลักที่อิงจากข้อมูลเกมเดียว เช่น การวิเคราะห์การถดถอยโลจิสติค และ แบบจำลองการสุ่มป่าไม้ ไปใช้กับข้อมูลที่ผ่านการประมวลผลแล้วโดยแบบจำลองที่มีประสิทธิภาพมากที่สุด มีคะแนนความแม่นยำ ได้ถึง 0.7091 คะแนน ความสามารถในการตรวจจับ 0.5850 คะแนน F1-Score 0.6411 คะแนน และ พื้นที่ใต้โค้ง ROC 0.8123 คะแนน

Chiang Mai University. Library

Address: CHIANG MAI

Email: cmulibref@cmu.ac.th

Name: Juggapong Natwichai

Role: Advisor

Created: 2568

Modified: 2568-10-15

Issued: 2025-09-24

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Master of Science

Level: Master's Degree

Descipline: Data Science

Grantor: Chiang Mai University

©copyrights Chiang Mai University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	620631120.pdf	1.17 MB

ใช้เวลา

0.036835 วินาที