Predicción de partidas en Valorant: utilizando algoritmos de Machine Learning, Random Forest y XGBoost
Date
2023-01
Type:
Thesis
item.page.extent
21 p.
item.page.accessRights
Acceso abierto
Authors
item.contributor.advisor
ORCID:
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad del Desarrollo. Facultad de Ingeniería
item.page.isbn
item.page.issn
item.page.issne
item.page.doiurl
item.page.other
item.page.references
Abstract
El mundo de los videojuegos experimentó un notable avance cuando fue posible jugar a distancia con cualquier persona en cualquier parte del mundo. El acceso a internet y la notable evolución de la transferencia de datos, permiten que actualmente existan grandes ligas de videojuegos y campeonatos a nivel mundial con equipos profesionales compitiendo. Este trabajo presenta la implementación de modelos de Machine Learning para predecir el resultado de partidas del videojuego Valorant, utilizando los datos generados en Random Forest y XGBoost como algoritmos de clasificación. Para realizar las predicciones de partidas futuras, los datos se fueron agrupando de manera que por cada partida existan dos observaciones, una por cada equipo. Además, se tomaron como variables los datos generados en partidas pasadas, generando así una predicción al inicio de la partida futura. Los resultados indican que XGBoost tiene un mejor desempeño sobre Random Forest, debido a que el ajuste de hiperparámetros y la selección de variables logró un aumento en la capacidad de predecir tanto partidas ganadas como perdidas.
Description
Capstone project presentado a la Facultad de Ingeniería de la Universidad del Desarrollo para optar al grado académico de Magíster en Data Science
item.page.coverage.spatial
item.page.sponsorship
Citation
Keywords
070037S, Videojuegos, Modelos, Machine learning, Random forest, XGBoost