發(fā)布時間：2020-07-05 08:23

【摘要】：隨著當(dāng)前世界范圍內(nèi)電子競技快速蓬勃的發(fā)展,國內(nèi)相關(guān)電競產(chǎn)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(jié)果的預(yù)測分析是其中非常重要的一環(huán):NBA,法網(wǎng)之流早就用上了專業(yè)的數(shù)據(jù)分析師建立相關(guān)模型,用來處理相關(guān)比賽數(shù)據(jù)。但是在相關(guān)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(zhǔn),更多的時候只是依靠簡單的統(tǒng)計(jì)和選手本身的有限過往經(jīng)驗(yàn)來進(jìn)行處理。這顯然是不科學(xué)的,因?yàn)殡娮痈偧急旧淼碾娮有?所有的數(shù)據(jù)均是容易大規(guī)模獲取的,那么在當(dāng)下已經(jīng)越來越講求數(shù)據(jù)化,智能化的時代,我們顯然可以運(yùn)用一些更好的方法來進(jìn)行相關(guān)預(yù)測分析的建模。本文就從分析當(dāng)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(guān)傳統(tǒng)的機(jī)器學(xué)習(xí)模型:K近鄰(KNN)模型、邏輯斯蒂(logistic)回歸模型、支持向量機(jī)(SVM)模型、決策樹(DecisionTree)模型、以Xgboost為代表的一類集成的的元學(xué)習(xí)算法模型和神經(jīng)網(wǎng)絡(luò)(ANN)算法模型,并且就各個模型的優(yōu)缺點(diǎn)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(guān)數(shù)據(jù)時,并不能得到很好的分類性能指標(biāo),本文接下來創(chuàng)新性的引入相關(guān)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(xì)的介紹了當(dāng)前的關(guān)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(jié),為我們后文具體構(gòu)建相關(guān)模型掃清了障礙。緊接著本文還設(shè)計(jì)并搭建了一個比賽勝負(fù)預(yù)測系統(tǒng),并且做到了模塊化處理相關(guān)工作,以便未來持續(xù)不斷的改進(jìn)相關(guān)獨(dú)立模塊。最后根據(jù)己經(jīng)模塊化的系統(tǒng),在個人PC端進(jìn)行相關(guān)數(shù)據(jù)實(shí)驗(yàn),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(guān)性能。幸運(yùn)的是基于實(shí)驗(yàn)結(jié)果表明,在引入相關(guān)詞向量的來作為模型的輸入時,分類器的分類準(zhǔn)確率均有了不錯的提升。
【學(xué)位授予單位】：武漢大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：C815

【參考文獻(xiàn)】

相關(guān)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(jì)算機(jī)與數(shù)字工程;2010年06期

2 龔安;張敏;;BP網(wǎng)絡(luò)自適應(yīng)學(xué)習(xí)率研究[J];科學(xué)技術(shù)與工程;2006年01期

3 賀清碧,周建麗;BP神經(jīng)網(wǎng)絡(luò)收斂性問題的改進(jìn)措施[J];重慶交通學(xué)院學(xué)報(bào);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(xué)報(bào);2002年05期

5 劉鷹,趙琳;神經(jīng)網(wǎng)絡(luò)BP算法的改進(jìn)和仿真[J];計(jì)算機(jī)仿真;1999年03期

本文編號：2742357