【摘要】：隨著當前世界范圍內電子競技快速蓬勃的發(fā)展,國內相關電競產業(yè)也在不斷注入資本和人才等新鮮血液。既然有了更多的人和錢的涌入,其向傳統(tǒng)競技體育方向的靠攏自然是不可避免的。傳統(tǒng)的競技體育中,比賽結果的預測分析是其中非常重要的一環(huán):NBA,法網之流早就用上了專業(yè)的數據分析師建立相關模型,用來處理相關比賽數據。但是在相關的電子競技行業(yè),這一分析處理卻還仍然停留在初級、簡單、粗糙的水準,更多的時候只是依靠簡單的統(tǒng)計和選手本身的有限過往經驗來進行處理。這顯然是不科學的,因為電子競技本身的電子性,所有的數據均是容易大規(guī)模獲取的,那么在當下已經越來越講求數據化,智能化的時代,我們顯然可以運用一些更好的方法來進行相關預測分析的建模。本文就從分析當今最火熱的一款電子競技游戲之一,DOTA2(中文名:刀塔2)出發(fā),首先介紹了一些相關傳統(tǒng)的機器學習模型:K近鄰(KNN)模型、邏輯斯蒂(logistic)回歸模型、支持向量機(SVM)模型、決策樹(DecisionTree)模型、以Xgboost為代表的一類集成的的元學習算法模型和神經網絡(ANN)算法模型,并且就各個模型的優(yōu)缺點做出了一一分析。其次鑒于以上各個模型在處理我們的電子競技相關數據時,并不能得到很好的分類性能指標,本文接下來創(chuàng)新性的引入相關最新研究成果——文本向量化中的詞向量(詞嵌入),作為處理這一難題的一條解決之路,為此詳細的介紹了當前的關于生成詞向量的各個模型,并且就各個模型之間的聯(lián)系與比較做了一個小結,為我們后文具體構建相關模型掃清了障礙。緊接著本文還設計并搭建了一個比賽勝負預測系統(tǒng),并且做到了模塊化處理相關工作,以便未來持續(xù)不斷的改進相關獨立模塊。最后根據己經模塊化的系統(tǒng),在個人PC端進行相關數據實驗,并且分析比較了各個不同分類模型和詞向量組合而成的新模型的相關性能。幸運的是基于實驗結果表明,在引入相關詞向量的來作為模型的輸入時,分類器的分類準確率均有了不錯的提升。
【學位授予單位】：武漢大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：C815

【參考文獻】

相關期刊論文 前5條

1 趙玲;陳磊琛;余小陸;張盛意;;SVM-KNN分類算法研究[J];計算機與數字工程;2010年06期

2 龔安;張敏;;BP網絡自適應學習率研究[J];科學技術與工程;2006年01期

3 賀清碧,周建麗;BP神經網絡收斂性問題的改進措施[J];重慶交通學院學報;2005年01期

4 李蓉 ,葉世偉 ,史忠植;SVM-KNN分類器——一種提高SVM分類精度的新方法[J];電子學報;2002年05期

5 劉鷹,趙琳;神經網絡BP算法的改進和仿真[J];計算機仿真;1999年03期

本文編號：2742357