マレニアデータセットによる分析と予測

5757 ワード

の先頭にある

私は偶然カゲルをぶらぶらして、マレニアに関する3つのデータを見た.
マリニアはエデンリンのすべてのリーダーの中で最も難易度の高い悪名高いリーダーだ.
楽しかったから(Iam Malenia.Blade of Miquella)
私はこれらのデータに興味を持ち始め、これらのデータを利用して分析と予測を行うことを考えています.
データセットリンク
https://www.kaggle.com/datasets/jordancarlen/host-deaths-to-malenia-blade-of-miquella

データ解析

コラムコメント

Host Death Time:ホストの死亡時間

ホストビルド:主な攻撃兵器
RAW MELEE-近戦武器
RAW CAST-魔法を使う
PROC MELEE-異常状態属性を持つ近戦兵器
PROCCAST-状態異常を使用するウィザード
HYBRID-ブレンド

レベル:ホストレベル

背景:マレニアのページ番号(合計2ページ)

Waterflow Death:マリアで死んだ究極の時期

位はマレニアの究極の時期の写真

Health Pct:受付が死亡したときのマリアの体力状態

ロcation:ボスの部屋で死んだ場所

Phantom Count:召喚した他のプレイヤー
1:いいえ、2:あります

Phantom Build:他プレイヤーのメイン攻撃武器

Phantom Death:受付より早く死んだのか

死亡分析

級の死亡時刻チャートによると、あまり関係のない様子が見られます.

他のプレイヤーを召喚する場合、召喚時よりも長く生きられず、

を見ることができます.

魔法と状態以上のホストを使用すると、より長く生きることができますが、混合兵器や近戦兵器を使用するホストはより少なく生きることができます.
これは、魔法や状態異常を使用するプレイヤーが遠くで安全にゲームを行う傾向にあるためかもしれない.

、これは当然ですが、リズムが速くなるにつれて、あなたは長く生きているのを見ることができます.

フェードアウトの分析

今回は、どれだけの進度、つまり速度の進度があるかを分析してみましょう.

今回のランクもそれほど関係ない

プレイヤーの加入に伴い、フェードアウトしていない様子も見られた.

0のプレイヤーは先に死なず、1は先に死んで、2は叫ばない.
このような状況に基づいて、他のプレイヤーの助けはそれほど役に立たないことがわかります.

は非常に不思議な結果が現れ、前回の分析では、近距離、混合はわずかな時間しか生きていないようだので、速度が低くなり、結果はご覧のように、逆に近距離、混合はより多くの速度を行った.

すぐに好奇心が湧いてきたので、生きている時間よりも、ボイズを見て、大丈夫…(いつ…)

直接前のグラフを見て、少ない時間で2ページまで歩いているのを見て、グラフがおかしくて、もう一度見て、本当に11秒もしないうちに行って、しかも一人で...
素晴らしい

究極の分析

等級によると、究極の時期に死んだ状況を分析したが、今回の等級もあまり関係ない...

はどの位置で究極機に撃たれた時、真ん中でたくさん死んだかを分析した.

の究極の時期に殺されなかった時、中-外-内順の位置で死んで、いったい何の関係があるのか分からない.

モデリング

上の分析によると、私はもともと生存時間を予測したいと思っていました.
データ分析では、長く生きていても運転を続けることはできないと思います(逃げるだけです).
進捗を示す速度を予測することにした.

到達率予測モデル

KneighborsClassifier、LogisticRegression、およびRandom ForestClassifierのパラメータを調整して、最適な値を選択します.
パラメータ決定にGrid Searchを使用

KNeighborsClassifier結果

Grid Searchを使用してパラメータを調整します.
結果は次のとおりです.

LogisticRegression

Logistic回帰結果は以下の通り

RandomForestClassifier

結果は次のとおりです.

予測

上記の結果によると、KneighborsClassifierの結果が最も良いので、モデリングします.

求めたパラメータを入れて返してください.50%の精度を示しています.ほほほ...

まず、どの値が必要かを見てから、予測値を入れます.
前処理の過程で、Location、Host Build、Phantom Buildコラムが熱符号化された.

df = pd.get_dummies(df,columns=["Host_Build"])

df = pd.get_dummies(df,columns=["Phantom_Build"])

df = pd.get_dummies(df,columns=["Location"])

Phantom Death、Waterflow Deathはラベルコードを提供しています

from sklearn.preprocessing import LabelEncoder
encoder = LabelEncoder()
encoder.fit(df['Phantom_Death'])
digit_label = encoder.transform(df['Phantom_Death'])
df['Phantom_Death'] = digit_label


df['Waterflow_Death'] = df['Waterflow_Death'].apply(lambda x : 1 if x else 0 )

Phantom Deathの中で0の叫ぶプレーヤーはまだ死んでいないで、1の叫ぶプレーヤーは先に死んで、2の叫ぶプレーヤーはいません
Waterflow Deathでは、0は死んでいないことを示し、1は死んでいることを示している.