Bayes Esports: Cómo medir los asesinos naturales de los deportes electrónicos

En esta pieza, Ben Steenhuisen, Arquitecto de software sénior en Bayes Esports, detalla cómo Bayes analiza Kills and Deaths (KDR) en los mejores juegos de la industria de los deportes electrónicos y cómo agregar contexto. Modelos de datos por Darina Goldin, directora de ciencia de datos en Bayes Esports.

En muchos deportes electrónicos, las estadísticas y el cuadro de mando superior pueden ser muy engañosos, incluso para los analistas o fanáticos más experimentados. En DOTA 2, por ejemplo, puedes ganar el juego a pesar de estar más de 40,000 de oro atrás y solo queda un edificio en un punto de vida. CS: GO no es diferente: un equipo que parece estar por delante en las rondas podría no estar lo suficientemente lejos dado el lado del mapa han empezado. El problema es aún más evidente cuando se observan las estadísticas de jugadores individuales: muchas estadísticas clave no son visibles, y las visibles son a menudo meros agregados, desprovistos de cualquier contexto de los eventos subyacentes.

Echemos un vistazo más de cerca a este problema, centrándonos en CS: GO.

Dar el contexto de KDR

Debido a la naturaleza del juego, las estadísticas de rendimiento de los jugadores más comúnmente discutidas son eliminaciones y muertes. Muchas veces se resume como KDR: matar sobre muerte, relación muerte-muerte. En un artículo de 2017, Christopher Sardegna problemas explorados con la clasificación HLTV (una medida de uso común del rendimiento del jugador), que muestra cómo aproximadamente el 88% de los cambios en HLTV 1.0 Las notas se pueden explicar mediante KDR cuando se analizan datos como regresión lineal. Esta cifra se eleva al 93,2% si consideramos Total muertos y Número total de muertes como características separadas (también en regresión lineal).

Miremos más de cerca.

En lugar de simplemente contar los asesinatos y las muertes, necesitamos ver el contexto exacto en el que ocurren, porque cada asesinato y muerte ocurre en una situación ligeramente diferente. A veces, los terroristas mueren mientras defienden la bomba, o un jugador será el primero en cruzar un punto de estrangulamiento para distraer a los defensores. Un ejemplo clave es la ocurrencia muy común de rondas verdes, donde un equipo no puede permitirse comprar equipos costosos. Este equipo puede intentar ser agresivo solo con sus armas iniciales (¡gratis!), Sabiendo que las probabilidades de éxito son escasas pero su inversión en la ronda es mínima. Si el equipo muere, ¿esas muertes de terroristas suicidas deben contar para el desempeño del jugador?

Esto significa que cuando las personas discuten el rendimiento de un jugador, las principales estadísticas que se están considerando son actualmente Total muertos y Número total de muertes. La forma en que vemos estos asesinatos y muertes es principalmente en forma agregada, sin ninguna contextualización de los eventos individuales que representan.

Nosotros organizamos

El único enfoque válido para este rompecabezas parece ser dividir una ronda en sus eventos discretos (como asesinatos, muertes, bombas, intentos de desactivación de bombas, guardar un arma para una siguiente ronda, moverse en una carta, etc.) y luego evalúe el impacto de cada uno de ellos en métricas clave como el porcentaje de ganancias por redondeo (a corto plazo) o el porcentaje de ganancias de tarjetas (una métrica a más largo plazo), luego agrupe cada uno por separado como agregados.

En nuestra investigación inicial sobre este tema, decidimos mantenerlo simple y cuantificar cada muerte y evento de muerte por separado utilizando un modelo de probabilidad de ganador de ronda ajustada e ignorar la dispersión entre ellos. Este modelo incluye parámetros clave como el mapa, el estado de la bomba y las estadísticas del jugador (incluido el equipo), está bien calibrado y es funcionalmente similar a los predictores de probabilidades en vivo que usamos aquí en Bayes Esports. Analizamos más de 170.000 juegos de 6.423 repeticiones de partidos profesionales de CS: GO (aproximadamente 26,5 juegos por juego en promedio). Para cada muerte y muerte, evaluamos las métricas del porcentaje de victorias por ronda antes y después del evento de muerte.

Al considerar solo a los jugadores con más de 100 juegos en nuestra muestra (170 de esos jugadores), podemos graficar su aumento promedio en el porcentaje de victorias en turnos debido a eliminaciones versus su disminución promedio en el porcentaje de victorias en turnos a través de eliminaciones.

Cuando tomamos el aumento neto promedio en el porcentaje de victorias de la ronda de las eliminaciones y restamos el retraso debido a las muertes, terminamos con un «impacto de ronda» para un jugador. Podemos repetir esto para que todos los jugadores vean la distribución subyacente y los valores atípicos.

En términos de valor residual, tenemos algunos valores atípicos notables:

• Jacques (Virtus Pro) con + 4.11% de impacto residual en victorias de ronda y un alto impacto (24.6% de ganancias de ronda promedio debido a sus asesinatos y muerte). Dado que es principalmente un francotirador (awper) y estas son armas costosas de adquirir, probablemente será castigado más severamente por su muerte en un modelo Map Winner (a más largo plazo en comparación con este modelo Round Winner).
• YEKINDAR (Virtus Pro) con solo + 0.93%, pero un impacto del 24.2% – muy fuertemente impactado por su doble rol de awper y entry fragger (la recompensa de alto riesgo por el primer asesinato o la primera muerte aumenta esta estadística)
• sh1ro y Ax1Le (los dos Esports de Gambito) con un impacto medio de + 3,27% y + 2,58% no debería sorprender dado el excelente rendimiento de su equipo. Al igual que Jame, las muertes de Sh1ro serán mayores en un modelo a más largo plazo.
• culpar (+ 2,43%), ropz (+ 2,23%), sencillo (+ 2,32%), ZywOo (1,93%) son todos jugadores de gran prestigio.

Este modelo se puede desarrollar evaluando más tipos de eventos, como se mencionó anteriormente, y también puede haber una diferenciación entre el objetivo general de un juego de CS: GO, que es ganar 16 turnos, frente al obvio subobjetivo implícito de ganar. la ronda actual. Otro tema interesante es cuantificar estas estadísticas subyacentes en función de la fuerza de un equipo contrario: matar a un jugador de un equipo habilidoso es más difícil que matar a un jugador de un equipo menos habilidoso.

Naturalmente, algunos de estos eventos están relacionados: una muerte tiene un valor predeterminado neto negativo para su equipo, pero esa pérdida se mitiga (y en algunos casos se revierte) por una variedad de otros factores, como la información recopilada, la presentación de ‘una bomba simplemente antes de que termine, desactiva una bomba, distrae a un enemigo, etc. Esto significa que cada evento individual debe evaluarse teniendo en cuenta el impacto / influencia potencial sobre otros eventos relacionados (espacial o temporalmente) a su alrededor.

En general, este es solo un primer paso en un tema muy abierto y expandible, pero al mismo tiempo ilustra cómo una simple contextualización de eventos individuales puede mejorar su valor. Aunque solo hemos considerado los eventos de muerte y muerte, al preprocesar y contextualizar los datos, esperamos refinar los datos para que sean más precisos y descriptivos del rendimiento subyacente de los jugadores.

Calendario de eventos ESI 2021

De nuestro anunciante / patrocinador