| Summary: | Submitted by Emanuel Varela Cardoso (emanuel.varela@ufcg.edu.br) on 2018-08-31T19:40:20Z
No. of bitstreams: 1
FERNANDO FELIX DO NASCIMENTO JUNIOR – DISSERTAÇÃO (PPGCC).pdf: 3433404 bytes, checksum: b5c42ff5d239a6628e636523baabae45 (MD5) === Made available in DSpace on 2018-08-31T19:40:20Z (GMT). No. of bitstreams: 1
FERNANDO FELIX DO NASCIMENTO JUNIOR – DISSERTAÇÃO (PPGCC).pdf: 3433404 bytes, checksum: b5c42ff5d239a6628e636523baabae45 (MD5)
Previous issue date: 2017-12-15 === Capes === Apesar da crescente popularidade dos esportes eletrônicos (eSports), ainda há uma escassez de trabalhos acadêmicos que exploram o comportamento de jogo das equipes. Compreender as características que ajudam discriminar entre equipes bem-sucedidas e malsucedidas poderia ajudar as equipes a melhorar suas estratégias, como determinar métricas de desempenho a serem alcançadas. Nesta dissertação, identificamos e caracterizamos padrões de comportamento de equipes com base nos dados de histórico de partidas de League of Legends, um eSport muito popular. Ao aplicar métodos de mineração de dados, como aprendizado da máquina e análise estatística, agrupamos o desempenho das equipes e investigamos para cada grupo como e em que medida essas características influenciam o sucesso e fracasso das equipes. Alguns grupos são mais propensos a terem equipes mais vencedoras do que outros, os resultados do nosso estudo ajudaram a descobrir as características que estão associadas a essa propensão e permitiram modelar métricas de desempenho de perfis de equipe bem sucedidas e
malsucedidas. Encontramos ao todo 7 perfis, que foram categorizados em quatro
grandes níveis em termos de proporção de equipes vencedoras: Fraco, Mais ou Menos, Bom e Top. === Despite the increasing popularity of electronic sports (eSports), there is still a scarcity of
academic works exploring the playing behavior of teams. Understanding the features that
help to discriminate between successful and unsuccessful teams would help teams improving their strategies, such as determine performance metrics to reach. In this dissertation, we identify and characterize team behavior patterns based on historical matches data from League of Legends, a very popular eSport. By applying methods from data mining, such as machine learning and statistical analysis, we clustered teams’ performance and investigate for each cluster how and to what extent these features have an influence on teams’ success and failure. Some clusters are more likely to have winning teams than others, the results of our study helped to discover the characteristics that are associated with this predisposition and allowed us to define performance metrics of successful and unsuccessful team profiles. At all, we found 7 profiles in which were categorized into four big levels in terms of winning team proportion: Weak, So-So, Good and Top.
|
|---|
