机器学习kmeans算法在电竞选手分析中的应用.docxVIP

机器学习k-means算法在电竞选手分析 中的应用 柯嘉鑫 北京161中学 摘要： 随着计算机技术的发展，数据挖掘在很多方面得到应用，尤其是在电竞行业发 展迅速的今天，数据挖掘技术被应用到电竞分析中。本研究用机器学习的方法进 行数据挖掘，将机器学习中K-means算法应用于电子竞技职业选手，对电竞选 手比赛数据的指标进行聚类，划分为三个不同的等级，并对聚类结果进行分析， 将个人能力水平数据化，用聚类结果指导职业选手今后的针对性训练以及发展 方向，为电子竞技行业标准化、成熟化起到推动作用。本研究旨在推动计算机技 术中机器学习的发展，为我国电子竞技提供参考数据，对日后电竞选手分析的 亚那就具有很大的意义。 关键词： 机器学习； 数据挖掘; 聚类 K_means算法; 电子竞技; 计算机技术; 作者简介：柯嘉鑫（2000—）,男，广东人，现就读于北京161屮学。 1引言 随着信息化、数字化的发展，计算机技术渗透到人们牛活的方方面面，在社会牛 活中展现岀强大的力量，与此同吋，机器学习作为一种新型的技术，在科研中 占据扮演重要角色，其通过模拟或实现人类的学习行为，以获取新的知识或技 能，重新组织已有的知识结构使之不断改善自身的性能的一项技术。作为人工智 能的核心以及今后重要发展方向，机器学习在商务、生物学、地球环境学上都有 不同程度的应用，在社会实用中有重要的应用价值和广阔的前景，合理的将机 器学习K-means算法应用于行业中，可以让一个新兴领域在数据挖掘，分析指 导方而取得先机[1], [2]。 近些年来中国电子竞技行业突破传统，迅速崛起，方兴未艾，逐渐走入了人们 的视野，然而由于该领域在中国正处于起步阶段，针对其产生的大数据的分析 方法十分缺乏，导致在对于竞技理念风格，以及变动方面发展缓慢。采用 K-means算法对职业选手进行评估，是基于现在电竞数据分析空白现状的重要 突破和创新。 本研究采用数据挖掘中典型的聚类K-means分析算法，针对Dota2项目选手展开 初步研究，收集在国际赛事中参赛战队各选手的实战数据以及细节成果，通过 反复学习、调整，以获得合适的聚类中心，将参赛选手划分不同类别，使符合相 应风格和打法理解的选手划归为一类，结合聚类结果对选手进行分析[3]-[5]。 2 K-means 算法 2.1算法思想 1967年，Macqueen提出了 K-means算法思想[6],把空间中数据集中的n个数据 点分为k组，把每组的均值作为中心点，并以这k个点为中心进行聚类，对最靠 近他们的对彖划为一类。通过t次迭代，重新计算数据点与各组屮心的相似度， 逐次更新各聚类中心的值，直至得到最好的聚类结果[7], [8]。 2. 2算法特点 K-means算法作为数据挖掘中经典的聚类分析算法，是一种比较快速有效的聚 类方法，能根据较少的已知聚类样本的类别确定部分样本的分类;其次，为克服 少量样本聚类的不准确性，该算法本身具有优化迭代功能，在已经求得的聚类 上再次进行迭代修正，确定部分样本的聚类，优化了初始监督学习样本分类不 合理的地方;第三，由于只是针对部分小样木可以降低数据挖掘所需时间。 2. 3具体算法 算法流程图如图1所示，给定一个训练集: 随机选择K个簇的质心，我们将其设为： 聚类开始，选取k个质心点，通过多次运行，每次运行都是随机选取质心点， 最终确定平均误差和最小的几个点作为质心点;接着进行距离的计算，求每个样 本与各个质心之间的距离，将该样本数据归为距离小的质心所在的类中，根据 不同情况，可选用欧几里德距离或曼哈顿距离，木论文采用欧几里德距离;进而 计算每个聚类的平均值，作为新的质心，不断的重复第二步与第三步的计算过 程，知道质心带你收敛即不再发生变化，表示聚类结束。 各样本与质心的距离表达式如下: 聚类质心的选取表达式: 3基于k-means算法的电竞研究与分析 图1 k-means算法流程图 下载原图 图2分析流程图 下载原图 表1选手电竞得分结果表 下载原表 图2为研究的技术路线图。 数据采集 本研究中数据来源于某游戏国际邀请赛通用平台中部分选手数据作为本次的分 析样木数据，共计15位参赛选手的比赛数据，其中包含比赛中场均KDA、总击 杀数、总死亡数、总助攻数等数据信息，这些数据都快可以从比赛平台上获取， 真实有效。 数据预处理 对数据进行预先处理，是数据挖掘中数据分析的首要步骤，也是重中之重，对 原数据进行筛选、去噪、标准化等操作，将数据变为有效数据，不仅可以提高数 据挖掘的效率，同吋决定了数据挖掘结果的准确性。 首先对数据进行集成、整合，将多位参赛选手的数据整合到一张表屮，将参与聚 类分析的14个属性整合到表中，如表1所示。 数据清洗:将原数据进行标准化，从表1中可看岀原始数据没有统一，因此，对 数据进行标准