Введение

Среди многих заметных изменений, которые были внесены в Overwatch 2 с его выпуском в конце 2022 года, игроки были рады, наконец, получить долгожданное внутриигровое табло, позволяющее каждому игроку определить худшего игрока в своей команде и обвинить его в их постоянной череде поражений. Однако часто бывает трудно определить, кто действительно продал матч другой команде, используя только общий урон, предоставленное исцеление и смягченный урон, отображаемые на табло вместе с E/A/D игрока. Поэтому я искал наилучший метод, который позволит мне с уверенностью обвинять моих товарищей по команде. Используя эти недавно предоставленные статистические данные, я исследую, какие из них наиболее важны для определения того, какая команда с наибольшей вероятностью выиграет карту на самом высоком уровне игры, в лиге Overwatch.

Какая статистика отличает победителей от проигравших?

На каждой карте в матче Overwatch League должен быть свой победитель и проигравший, но какие факторы являются ключевыми факторами, определяющими эти конечные результаты? Чтобы исследовать это, я проанализировал восемь различных статистических данных по картам, накопленных игроками победивших и проигравших команд. Присмотревшись к распределению этих показателей, мы могли бы найти различия между игроками победивших и проигравших команд. Восемь проанализированных статистических данных: общий нанесенный урон, общее исцеление, общее количество убийств, общее количество смертей, общий заблокированный урон, общее количество использованных ультимейтов, среднее время, которое каждый игрок потратил на создание своего ультимейта, и среднее время, в течение которого каждый игрок был жив на сыгранной карте. Блочная диаграмма — отличная визуализация данных для распознавания этих различий, поэтому я сделал диаграмму для каждой из этих метрик:

Из диаграмм мы можем наблюдать три графика, где есть большие различия в показателях между победившей и проигравшей командой: исключения, смерти и среднее время выживания. Эта статистика, кажется, предполагает, что наиболее важным фактором в победе в матче является «игра своей жизнью», и что получение первых пиков для начала командных боев, также известных как ранние исключения, являются лучшими факторами, определяющими, какая команда выйдет победителем. Эта идея подтверждается рассмотрением относительной незначительности других отслеживаемых статистических данных. Урон и исцеление, например, невероятно похожи независимо от исхода карты, демонстрируя, что накачка урона вражеской команде, позволяя им лечиться саппортами, не очень полезна. С другой стороны, обеспечение исключений и сокращение более важного среднего времени жизни противоборствующих игроков поможет гарантировать, что команда-победитель всегда будет иметь преимущество в командных боях, что будет в большей степени способствовать победам на карте. Overwatch — это, по сути, игра, ориентированная на команду, и решительные успехи в командных боях необходимы, чтобы продвинуть цель или предотвратить ее движение к конечной цели. Потеря игрока в Overwatch значительно усложняет победу в этих ключевых командных боях из-за жизненной важности каждой роли в системе один танк, два дпс, два саппорта, которые более убедительно определяют исход карт.

Создание новой метрики для анализа победителей карт

Хотя важно проанализировать, какие статистические данные на уровне команды лучше всего способствуют победе, возможно ли уменьшить масштаб и численно определить, какой вклад вносит каждый отдельный игрок в успех своей команды? Если возможно, мы могли бы оценить, какие игроки являются лучшими в Overwatch League, поскольку ценность игрока в команде неразрывно связана с его способностью помочь своей команде добиться победы. Для этого мы можем обратиться к другим видам спорта как к форме вдохновения, таким как баскетбол и его статистика «Box Plus Minus» или бейсбол с его расчетами статистики «wOBA». Чтобы перевести взвешенную статистику, которая помогает анализировать производительность отдельных игроков из реального мира в Overwatch, мы взвесим наиболее важные факторы для победы на карте (в основном исключения, смерти и среднее время, проведенное в живых среди других факторов) и применим их к каждому игроку. Статистика будет действительным показателем индивидуальной производительности, если она может хорошо предсказывать результаты карты.

Эта новая статистика будет называться Overwatch Win Expectancy (oWE) и родственной ей oWE+. oWE — это ролевая взвешенная статистика, которая возвращает счет, основанный на статистике игрока в сыгранной игре. oWE+ изменяет оценку oWE, где средняя производительность в лиге сосредоточена вокруг нуля со стандартным отклонением, равным единице для каждой роли. При анализе oWE+ мы можем определить, вносил ли каждый танк, дпс или игрок поддержки существенный вклад (oWE+ положительный), не влияющий вклад (oWE+ равен нулю) или вредный вклад (oWE+ отрицательный) в победу своей команды на карте. Другими словами, высокий уровень oWE+ описывает впечатляющую производительность, а низкий уровень oWE+ характеризует довольно тусклую. Точные значения и процесс создания этой новой статистики можно найти на моем GitHub по ссылке ниже.

Если мы визуализируем распределение oWE+ между победившими и проигравшими командами, мы увидим, что oWE+ может играть важную роль в определении успеха команды.

У команды-победителя медиана oWE+ примерно на одно стандартное отклонение выше, чем у проигравшей команды. Это имеет смысл, так как oWE+ — это просто совокупная статистика наиболее важных факторов победы на карте, как было найдено ранее.

Использование oWE+ на индивидуальном уровне

Как было сказано ранее, основной целью oWE+ является измерение индивидуальной производительности, и это, безусловно, возможно с использованием этой новой статистики. Чтобы расширить возможности этой статистики, мы можем использовать ее, чтобы показать наиболее последовательных, способных и эффективных игроков, анализируя средний oWE+ на всех сыгранных ими картах, и мы можем найти лучшие индивидуальные показатели, просматривая самый высокий oWE+ на карте игрока.

На следующем наборе графиков слева показаны игроки лиги, наиболее ценные для успеха своей команды, отсортированные по десятке лучших в сезоне и по десятке лучших в каждой роли. Здесь вы найдете самых выдающихся и жизненно важных участников своих команд, которые легко входят в число лучших в лиге, в том числе MVP Overwatch League 2022, Proper и, возможно, лучший дуэт поддержки во всей лиге, ChiYo и Fielder. На правом наборе графиков показаны некоторые из лучших индивидуальных выступлений в течение сезона, отсортированные по каждой роли с точки зрения вклада в успех своей команды. Здесь вы найдете поразительное выбывание 66 игроков Mer1t всего за одну игру в Circuit Royale или даже нелепое выбывание 47 игроков поддержки ChiYo.

Алгоритм статистики oWE позволяет нам находить другие тенденции, которые могут остаться незамеченными на уровне команды. Dps — единственная роль, где уничтожение важнее смертей, но лишь с небольшим отрывом. В то же время для поддержки, и особенно для танков, смерть может быть разрушительной для соответствующих команд, когда любая роль падает во время командного боя. Однако самое большое откровение может быть для саппортов, где данные имеют решающее значение в том факте, что урон и уничтожение так же важны для отличного саппорта, как и их способность лечить и поддерживать жизнь своих товарищей по команде. Наконец, глядя на средние графики oWE+, кажется, что танк — безусловно, самая сложная роль, которую нужно играть, чтобы обеспечить максимальную ценность своей команде на самом высоком уровне, при этом саппорты и дпс очень похожи.

Кратко о первых победах на картах

Прежде чем погрузиться в раздел моделирования, где мы попытаемся предсказать победителей этих карт, используя исключительно статистику самой карты, важно обсудить важность этих побед на картах, особенно побед на ранних картах. В большинстве видов спорта распространено убеждение, что в серии первая игра всегда самая важная, будь то плей-офф НБА или Лига Overwatch. Но насколько важна эта первая игра в решающей серии?

Из этой диаграммы становится очевидным, что победа на первой карте является большим преимуществом, настолько, что победитель первой карты выигрывает всю серию в 2,5 раза чаще, чем команды, проигравшие первую карту. Эти разоблачения могут также помочь указать на другие, нестатистические факторы, такие как импульс или уверенность, которые могут быть задействованы при определении результатов полных матчей, а не использовать чисто статистику для просмотра отдельных карт.

Насколько точно мы можем предсказать победителя карты, используя только статистику?

Прогнозирование шансов команды на победу — сложная задача. Целый рынок в ярких огнях Лас-Вегаса, известный как ставки на спорт, стремится усовершенствовать это искусство в спортивной сфере. Хотя эта представленная модель учитывает результаты только после того, как карта была сыграна, чтобы проанализировать вероятность победы команды, она по-прежнему полезна для определения того, какие статистические данные в наибольшей степени способствуют победе на карте. Это может быть жизненно важно, чтобы помочь командам решить, какие товарищи по команде являются исключительными, а какие заменимыми. При этом давайте перейдем к следующему разделу, где мы попытаемся предсказать победителей карт на основе их игровой статистики.

Для моделирования данных я использовал модель классификатора случайного леса scikitlearn, поскольку она хорошо подходит для размера данных, которые я использовал, и поскольку она позволила бы мне увидеть, какие факторы важны для точного прогнозирования результатов карты с помощью метода важности перестановки. Визуализация важности перестановки будет иметь решающее значение как для определения того, какая статистика лучше всего предсказывает шансы команды на победу, так и для точной настройки алгоритмов статистики oWE, которые использовались ранее.

Хотя полные сведения и результаты модели можно найти на моем GitHub, здесь я приведу важные оценочные показатели модели. Во-первых, при запуске модели на основе статистики, предоставленной Overwatch League, мы получаем следующий результат:

При графическом отображении важности перестановок или факторов, которые модель считает наиболее важными, мы обнаруживаем, что исключения и смерти имеют решающее значение.

Используя предоставленную статистику, мы получаем довольно точную модель, правильно предсказывая, кто выиграет карту примерно в 80% случаев. Значения точности, полноты и точности очень похожи, а это означает, что модель сбалансирована и может использоваться любым удобным способом, предсказывая победителя или проигравшего на основе статистики. Кроме того, мы добавим статистику oWE+ к обучающим данным модели и посмотрим, как она повлияет на модель.

При графическом отображении факторов, которые модель считает наиболее важными для своего создания, мы обнаруживаем, что oWE+ является основным используемым фактором, хорошо интегрирующим все остальные статистические данные в свое создание. В остальном в модели значимыми считаются только случаи смерти и средняя продолжительность жизни.

При включении oWE+ мы получаем модель, почти идентичную модели, когда она не была включена, с точки зрения точности, прецизионности и отзыва. Это имеет смысл, поскольку oWE+ представляет собой просто взвешенную совокупность всех других статистических данных, которые ранее использовались в модели. Аналогичная оценка модели и отсутствие важности функций для некоторых статистических данных помогают подтвердить, что факторы, учитываемые при расчете oWE+, являются хорошим представлением статистики, необходимой для победы. Таким образом, игроки с более высокими показателями oWE+ внесут больший вклад в успех своей команды по сравнению с игроками с более низкими показателями oWE+.

Заключение

Overwatch — это сложный киберспорт с напряженными командными боями и тактическим позиционированием, что затрудняет расшифровку наиболее важных элементов, которые ведут команду к победе. Судя по тому, что можно получить из модели, статистика карты может предсказать празднование победы команды примерно в 80% случаев. Из модели и нашего исследования данных можно определить, что Overwatch, по сути, построен на этих командных боях, поскольку жизни всех пяти членов команды являются наиболее важными факторами успеха, почти в равной степени, если вы посмотрите на это с точки зрения товарища по команде, потерявшего свою жизнь (смерти) или захватившего одного из противников (исключения). Стримеры и другие профессионалы часто разбрасываются концепцией «играть в свою жизнь» на самых высоких уровнях игры, и, кажется, есть веские доказательства в пользу того, чтобы продолжать это делать.

В конце концов, победители карт в Overwatch определяются победителями командных боев. Это отражено в высокой важности исключений, смертей и среднего времени, проведенного в живых. Пытаясь предсказать победителя карты, можно найти различные нюансы, которые помогают каждой команде получить преимущество в мире Overwatch. Таким образом, используя модель с точностью около 80%, мы заключаем, что статистика в Overwatch, особенно исключения, смерти, среднее время жизни и моя статистика, oWE+, могут служить хорошими индикаторами прогнозирования победителей карт в Overwatch 2.

Ссылка на GitHub

Кристиан Смит GitHub: https://github.com/CSmith47/OWL_Stats_For_Success