ISSN 2383-6318(Print) / ISSN 2383-6326(Online) KIISE Transactions on Computing Practices, Vol. 23, No. 1, pp. 37-44, 2017. 1 https://doi.org/10.5626/ktcp.2017.23.1.37 AOS 장르게임의승패예측모형의설계와활용 (Design and Application of a Winning Forecast Model of the AOS Genre Game) 구지민 유견아 (Ji-Min Ku) (Kyeonah Yu) 요약 AOS(Aeon of Strife) 장르의게임들은단순히즐기는컴퓨터게임이아닌대표적인 e 스포츠종목으로자리매김하고있으며전문성을필요로하는스포츠의특성상, 게임플레이패턴및시즌별캐릭터선택등게임운영에필요한통계분석의중요성이증가하고있다. 본논문에서는대표적인 AOS 게임중의하나인리그오브레전드의게임데이터를이용해데이터마이닝기법을이용한게임의전략적분석을실시한다. 통계적승률예측기법인로지스틱회귀분석과판별분석및인공신경망을이용하여게임의승패예측모형을설계하고실험한다. 게임데이터분석결과는확률을표시한그래프로표현되어게임플레이를돕기위해개발된시각적도구에이용한다. 승패예측모형의실험결과, 평균적으로 95% 의높은분류율을보이고시각화도구를통해게임플레이의다양한전략수립에이용됨을보인다. 키워드 : 데이터마이닝, 게임데이터, 승패예측모형, 로지스틱회귀분석, 판별분석, 인공신경망 Abstract Games of the AOS genre are classified as an e-sport rather than a recreational computer game. The involved statistical analyses such as game playing patterns and the season s characters gain importance due to the expertise-requiring nature of sports. In this study, the strategic analysis of computer games was conducted by using data mining techniques on League of Legend, a representative AOS game. We designed and tested a winning forecast model using winning percentage prediction techniques such as logistic regression analysis, discriminant analysis, and artificial neural networks. The game data analysis results were represented by a probabilistic graph and used in the visualization tool for game play. Experimental results of the winning forecast model showed a high classification rate of 95% on average with potential for use in establishing various strategies for game play with the visualization tool. Keywords: data mining, game data, winning forecast model, logistic regression analysis, discriminant analysis, artificial neural networks 이논문은교육부의재원으로한국연구재단연구비지원에의해수행된연구임 (NRF-2011-0024567) 학생회원 : 덕성여자대학교정보통계학과 kjm0426@duksung.ac.kr 종신회원 : 덕성여자대학교컴퓨터학과교수 (Duksung Women's Univ.) kyeonah@duksung.ac.kr (Corresponding author 임 ) 논문접수 : 2016년 9월 5일 (Received 5 September 2016) 논문수정 : 2016년 10월 10일 (Revised 10 October 2016) 심사완료 : 2016년 10월 27일 (Accepted 27 October 2016) CopyrightC2017 한국정보과학회ː 개인목적이나교육목적인경우, 이저작물의전체또는일부에대한복사본혹은디지털사본의제작을허가합니다. 이때, 사본은상업적수단으로사용할수없으며첫페이지에본문구와출처를반드시명시해야합니다. 이외의목적으로복제, 배포, 출판, 전송등모든유형의사용행위를하는경우에대하여는사전에허가를얻고비용을지불해야합니다. 정보과학회컴퓨팅의실제논문지제23권제1호 (2017. 1)
38 정보과학회컴퓨팅의실제논문지제 23 권제 1 호 (2017. 1) 1. 서론스포츠의새로운분야로자리잡고있는 e스포츠는그발전가능성으로국내뿐아니라해외에서도많은관심을받고있다. 컴퓨터및전자기기들을이용해대결을펼치는 e스포츠 [1][2] 는게임에대한수준높은이해와전략적분석, 선수개인의지적능력등을필요로한다. 대회에참가하는 e스포츠분야의선수들은일반스포츠선수들처럼구단으로부터체계적인관리와지도를받으며, 구단은게임분석및체계적인관리를통해팀의성적향상을꾀한다. 최근에는 e스포츠의영향범위가넓어지면서 [3] 독일의축구팀인 FC샬케가온라인게임인리그오브레전드의프로게임단을인수하기도하였으며, 러시아는 e스포츠분야를정식스포츠종목으로채택하였다. 이처럼온라인게임은단순한게임의영역을넘어서스포츠분야로확장되고있으며, 전문성을요구하는스포츠의특성상데이터의중요도가증가하게되었다. 그중 AOS(Aeon of Strife) 장르게임은다수의플레이어가게임을진행하기때문에대용량의로그데이터가서버에저장되는데대용량의로그데이터는사용자들의플레이성향을파악하고게임내의버그나오류를찾아내는데쓰이고있으며, 앞으로도다양한분석을통해게임의질적개선을위해사용될수있는가능성이많다. 본연구에서는스포츠의관점에서 AOS 장르의게임인리그오브레전드의게임데이터를분석하여게임의승패예측모형을설계하고자한다. 다변량통계분석과인공신경망을이용한게임의승패예측모형을설계하며기존의통계적방법과인공신경망의예측율차이를비교해보고이결과를확률로볼수있도록시각화하여사용자들이게임전략수립을위한도구로활용할수있도록한다. 본연구는 e스포츠게임분석을일반사용자들에게제공해게임통계분석의대중화를목표로하며, 이는일반사용자들의게임수준을향상시켜게임의전문화에기여할수있을것으로기대한다. 본논문의구성은다음과같다. 2장에서는스포츠분야와 e스포츠분야에서의통계적분석에관한관련연구들을살펴보고본연구와의차별성을정리한다. 3장에서는본연구의분석대상인게임데이터와변수를선정하고분석에사용할데이터마이닝기법들에대해소개하며 4장에서는이들을사용한데이터분석결과를보여준다. 5장에서는승패에대한분석결과를확률로볼수있는시각화를통해실제게임에서의활용을소개하고 6장에서향후연구에대한제안과함께맺음한다. 2. 관련연구스포츠경기에대한사람들의관심에따라승패예측 에대한분석 [4,5] 은체육과학연구분야에서오랜기간동안이루어져왔다. 승패예측과요인에대한설명은경기력에대한전반적인평가를바탕으로새로운전략을수립하는데도움을주며, 향후경기력향상에도움을준다. 프로농구경기에대한승패예측모형의연구를살펴보면구승환등 [6] 은다중회귀분석을이용해경기의승패에영향을미치는요인을분석하고로지스틱회귀분석, 판별분석, 인공신경망모형을사용하여승패예측을하였다. 또한김종훈등 [7] 은딥러닝기반의기계학습알고리즘을이용해 2015 시즌의 KBO 야구경기승패를예측하는알고리즘을제안하였다. 스포츠경기기록에서는개인데이터와함께저장되는팀별데이터를통해승패예측과관련한요인별분석이이루어지고있으며, 이중적합한변수를채택하여승패요인을찾아낸다. 채택된승패요인은팀별전략분석과경기내용설계에활용되기도하며, 일반적인통계분석자료들은방송중계시에시청자를위한해설에이용되고있다. 게임분야에서도게임데이터를이용한다양한분석연구들이진행되었다. 컴퓨터의발전이후대용량의로그데이터를처리하는기법이생겨나기시작했으며 [8], 로그데이터를이용한이용자분석관련연구도생겨나기시작했다. 사용자분석을통한연구로김종인등 [9] 은시간열데이터마이닝을이용한게임사용자모델분석을실시하였다. 시간열데이터를사용한 SOM 클러스링을통해사용자의유형을분류하고개인화된게임적응을제공하도록하였다. 게임내불법프로그램을로그데이터를통해빠르게찾아내고 [10,11] 불법이용자를차단하는데에있어서는로그데이터분석이중요하다. 이기용등 [12] 은맵리듀스기술을이용한게임로그데이터분석기법을제안하여질의처리시간의감소효과를확인할수있도록하였다. 이와같이게임데이터에대한통계분석시도가있었지만게임데이터를스포츠의관점에서바라보고, 게임승패예측모형을설계해게임발전에활용하고자하는시도는아직이루어지지않고있다. 따라서본연구에서는승패예측모형의설계와함께확률을제공하는시각적도구를표현해게임스포츠의복기와전략수립에도움을주고자한다. 3. 게임데이터의분석설계 3.1 분석데이터본연구에서는 e스포츠를대표하는게임중라이엇게임즈의리그오브레전드게임데이터를분석데이터로선정하였다. 리그오브레전드는대표적인 AOS 장르의게임으로최근 e스포츠분야에서높은주가를올리고있다. 게임 API는개발자사이트 (Developer Web Site)[13]
AOS 장르게임의승패예측모형의설계와활용 39 를통해이용가능하다. 분석데이터의선정기준은다음과같다. 리그오브레전드한국서버의 2016 시즌 (4/28 기준 ) 에서 6.8 패치버전이전에플레이된 5 5 랭크게임으로소환사의협곡맵에서진행된게임 최상위랭크인챌린저와다이아몬드랭크에속한선수들이플레이한게임위의기준을만족하는데이터로총 7845개의게임이선택되었으며분석에사용될 385개의게임데이터를랜덤추출하였다. 라이엇게임즈의리그오브레전드 API 를사용해가져온게임데이터는 MySQL 데이터베이스에저장해오픈소스 R을이용한통계분석을실시하였다. 3.2 변수의선정개발자사이트에서는한번의게임이종료되면게임내에서기록된데이터들을제공한다. 본분석에서선택한리그오브레전드의 5 5 랭크게임은블루팀과레드팀이상대방의적기지를부수기위해대결하는것 [14] 으로, 각팀당 5명의플레이어가참여하게된다. 이렇게플레이된게임데이터에는총 10명의플레이어데이터가시간별로기록되어있으며, 총 184개의변수를가진다. 그중아이템선택, 스킬순서, 캐릭터의특성등과같은이산형변수들을제외하고승패예측모형에투입할수있는변수들을선택하는과정을거쳤다. 우선리그오브레전드경기의방송중계와온라인커뮤니티에서승패를예측할때주로언급되는용어들을정리하여이에해당되는변수들을고른결과, 표 1과같이총 16개의연속형변수와 1개의이산형변수가선택되었다. 선택된 17개변수에대한데이터를가공하지않고그대로모형에투입할경우과대적합 (over-fitting) 이발생하게되는데, 과대적합모형의경우회귀분석모형의결정계수 (coefficient of determination, R-squared) 가증가하게되고모형의신뢰도는떨어지게된다. 따라서본분석에서는과대적합을예방해모형의신뢰도를높이고자플레이어데이터를팀단위데이터로통합하는과정을추가적으로실시하였다. 팀단위데이터는게임이종료되는시점에서팀별상황을나타낼수있는데이터로, 어떠한상황에서팀이승리하거나패배하게되는지에대한정보를가질수있도록하였다. 팀단위데이터를만들기위해플레이어데이터를가공, 통합하였고승패예측모형에투입할수있는 10개의연속형변수와승패를구분하는 1개의이산형변수를정의하였다. 정의된변수의이름과설명은표 2와같다. 각각의변수는수행과정에앞서전처리과정을거치며표준정규화를이용한다. 표 1 플레이어데이터변수및설명 Table 1 Player data variables and descriptions Variables Name Description champlevel Champion level achieved kills Number of kills deaths Number of deaths assists Number of assists totaldamagedealt Total damage dealt totaldamagedealtto Champions Total damage dealt to champions totaldamagetaken Total damage taken minionskilled Number of Minions killed goldearned Gold earned goldspent Gold spent visionwardsbought InGame Vision wards purchased wardsplaced Number of wards placed wardskilled Number of wards killed inhibitorkills towerkills time winner Number of inhibitors the team destroyed Number of towers the team destroyed Represents how many milliseconds into the game the frame occurred. Flag indicating whether or not the participant won 표 2 팀단위데이터변수및설명 Table 2 Team data variables and descriptions Variables Name Description kills Number of kills by the team deaths Number of deaths by the team assists Number of assists by the team totaldamage Dealt minionskilled Total damage dealt by the team Number of Minions killed by the team goldearned the team Gold earned wardsplaced Number of wards placed wardskilled Number of wards killed inhibitorkills towerkills winner Number of inhibitors the team destroyed Number of towers the team destroyed Flag indicating whether or not the team won
40 정보과학회컴퓨팅의실제논문지제 23 권제 1 호 (2017. 1) 3.3 모형의설계본연구에서는모형의설계를위해기존의통계적예측기법으로사용된로지스틱회귀분석과판별분석을이용하고, 스포츠분야에서최근사용되고있는인공신경망분석과의비교를통해예측모형을선택하였다. 예측모형을결정하기위해서게임이종료된시점에서의팀별데이터를이용하였으며, 분석과정을통해각모형의모수를추정하였다. 승패예측의기준으로사용되는변수는 1( 승리 ) 과 0 ( 패배 ) 으로표현된 winner 변수이다. 본연구에서는정분류율 (Correct Rate) 을모형의예측성능을판단하는평가지표로사용하며표본분할법에의한오분류율계산을이용하였다. 로지스틱회귀분석은범주형변수로표현되는승패요인을대상으로한다. 승패요인에영향을주는변수를찾고, 변수들이가지는영향력을선형결합식으로표현한다. 본연구에서는별도의변수선택과정없이모든변수를모형에투입하며, 그에따라승패라는두집단중어느집단으로분류될수있는가를예측한다. 판별분석과정에서는모형설계에앞서변수간분산동질성검정을실시하였다. 변수가다변량정규분포를따르며공분산행렬이같은경우는선형판별함수를사용하지만공분산행렬이다른경우에는이차선형판별함수를사용하기때문이다. 동질성검정에대한자세한수식은 [15] 를참조하였다. 따라서분산간차이정도에의해모형식을결정하였으며, 결과에따라일차선형판별함수와이차선형판별함수를선택하였다. 인공신경망분석은컴퓨터의신경망의수를조정해학습을수행하였다. 각노드들은입력층, 은닉층, 출력층으로구분되어나열되는데본연구에서는표 2의팀데이터변수 10개를입력층으로, 출력층의처리단위의수는 1( 승리 ) 과 0( 패배 ) 의값으로부여한모델을이용한다. 은닉층처리단위의수는입력층과출력층처리단위의평균을사용하였으며소수점은반올림하였다. 인공신경망분석을위해 R의 nnet 패키지를이용하였다. 4. 데이터분석및결과 4.1 로지스틱회귀분석결과승패예측모형을결정하기위해로지스틱회귀분석을이용한결과는다음과같다. 로지스틱회귀분석에사용되는변수는총 11개이며, 팀별게임데이터를이용해팀의승패여부를결정하는모형을설정하였다. 표본은 6:4의비율로분할하여데이터의 60% 는훈련데이터로, 40% 는테스트데이터로사용하였다. 로지스틱회귀분석의결과는표 3과같으며, 총킬횟수 ( ) 와총죽은횟수 ( ), 파괴한와드의총개수 표 3 로지스틱회귀분석의결과및모수추정량 Table 3 Parameter estimates of logistic regression analysis Parameter Estimate Std Error Z value Pr(> z ) Intercept -5.0030 5.1440-0.9730 0.3308 0.6435 0.2342 2.7480 0.006-0.7148 0.1859-3.8460 0.0001-0.0682 0.0639-1.0670 0.2861 0.0000 0.0000 0.7390 0.4596-0.0047 0.0139-0.3360 0.7371 0.0002 0.0003 0.5420 0.5877 0.0114 0.0470 0.2420 0.8088-0.1948 0.0978-1.9920 0.0464 0.4644 1.0030 0.4630 0.6435 0.3455 0.3268 1.0570 0.2904 ( ) 를나타내는 3개의변수가유의미한의미를가지는것으로나타났다. 또한모수추정결과적합된모형식은식 (1) 과같다. 본분석에서는 P값과관계없이모든변수를투입하여승패예측모형을설계하였다. (1) 추정된모형식을바탕으로로지스틱회귀분석모형의승패예측의분류성능을알아보기위해표본분할법을이용한정분류율을확인해보았다. 표 4 로지스틱회귀분석에의한분류결과 Table 4 Classification by logistic regression analysis Original Correct Rate Forecast 0 (Defeat) 1 (Win) 0 (Defeat) 96.49% 3.51% 1 (Win) 5.06% 94.94% 로지스틱회귀분석모형에의한분류결과정분류율은 95.71% 로높은성능을보였다. 분류된결과를표 4 를통해확인해볼때, 승리그룹을정확히분류할확률은 94.94% 로나타났으며패배그룹을정확히분류할확률은 96.49% 로나타났다. 이는로지스틱회귀분석모형이패배를정확하게분류하는데더좋은성능을가지고있음을의미한다. 4.2 판별분석결과판별분석을실시하기에앞서모형을결정하기위해공분산행렬에대한동일성검정을실시하였다. 검정결과 P값이 0.001 보다작으므로유의수준 5% 에서그룹간공분산행렬이모두같다는귀무가설을기각하였다. 따라서그룹간공분산행렬이다르다는결과
AOS 장르게임의승패예측모형의설계와활용 41 표 5 Box의 M 검정법 Table 5 Box's M test Box's M 6.37e-114 u 507.0481 DF 55 P-value <0.0001 Group Variables 표 6 승패그룹별변수의평균 Table 6 Mean of group variables 0 (Defeat) 1 (Win) 16.13 25.91 26.67 16.08 25.91 45.32 432743.00 551024.90 565.43 630.59 44792.80 55571.65 67.41 71.50 23.04 25.22 0.06 0.99 1.30 5.60 표 7 판별분석에의한분류결과 Table 7 Classification by discriminant analysis Original Correct Rate Forecast 0 (Defeat) 1 (Win) 0 (Defeat) 92.34% 7.66% 1 (Win) 2.79% 97.21% 에근거하여두그룹을분리하는이차선형판별함수를선택해모형을설계하였다. 표 6은그룹별변수들의평균을나타낸것이다. 변수별평균을살펴보면총죽은횟수 ( ) 변수를제외한나머지변수들의평균이승리그룹에서높게나타나는것을알수있다. 이는총킬횟수 ( ), 적에게가한총피해 ( ) 와같은변수들이높은값을나타수록승리할확률이높아질수있음을의미하며, 모형에서유의하게작용할가능성이높다는것을의미한다. 판별분석에의한분류결과정분류율은 94.77% 로높은분류성능을보였다. 특히승리그룹을분류할확률은 97% 로매우높게나타났으며, 반면패배그룹을정확히분류할확률은 92.34% 로승리그룹의분류율에비해다소낮게나타났다. 이는판별분석모형이승리그룹을정확하게분류하는데더좋은성능을가지고있음을의미한다. 4.3 인공신경망분석결과신경망분석은모든변수를투입하는 (10-6-2) 모형을 그림 1 인공신경망모형 Fig. 1 Picture of artificial neural network model 표 8 인공신경망모형에의한분류결과 Table 8 Classification by artificial neural network model Forecast Correct Rate 0 (Defeat) 1 (Win) 0 (Defeat) 95.07% 4.93% Original 1 (Win) 4.99% 95.01% 설정하였다. 출력층의처리단위는 1( 승리 ) 과 0( 패배 ) 의값으로부여하였으며, 은닉층처리단위는입력층과출력층처리단위의평균을사용하였다. 그림 1은 (10-6-2) 모형을적용한결과를그림으로그린결과이다. 죽은횟수 ( ) 를나타내는변수가패배 (0) 를결정하는데주로작용하는것을알수있으며, 적에게가한피해변수 ( ) 는승리 (1) 를결정하는데크게작용하는것을확인할수있다. 인공신경망모형에의한분류결과승리그룹과패배그룹을분리할확률은약 95% 로높게나타났다. 반면패배그룹과승리그룹을구별하는분류율은각각 95.07% 와 95.01% 로그차이는미미한것으로나타났다. 따라서인공신경망모형은승패를판별하는정도가비슷하다고볼수있다. 4.4 예측모형의비교통계적분석기법과인공신경망을이용해승패예측모형을설정해본결과그림 2와같이예측모형간정분류율을비교해볼수있었다. 분류에서의패배, 승리는기존의데이터가패배그룹일경우패배로잘분류되었는가와, 승리그룹일경우승리로잘분류되었는가를나타낸것이다. 그결과, 로지스틱회귀분석을사용한모형의경우패배그룹을분류할확률이높게나타나며, 판별분석을사용한모형은승리그룹을분류할확률이높게나타나는것을알수있다. 반면인공신경망모형은패배그룹과승리그룹을분류하는정도가크게차이가나지않는것으로보여진다. 세가지모형에대한예측율의평균에차이가있는지비교하기위해분산분석을실시하였다. 결과는표 9와
42 정보과학회컴퓨팅의실제논문지제 23 권제 1 호 (2017. 1) 그림 2 예측모형간정분류율비교 Fig. 2 Comparison of correct rates among winning forecast models 표 9 모형간예측율차이에대한분산분석결과 Table 9 ANOVA results of prediction rate differences among winning forecast models Source Sum of Squares DF Mean Square F- value P value Model 0.0009 2 0.0048 2.58 0.0849 Error 0.0107 57 0.0018 - - Corrected Total 0.0116 59 - - - 같으며, 검정결과유의수준 5% 에서 P값이 0.0849로나타났다. 따라서유의수준 5% 에서세가지모형에대해예측율의평균에차이가없다는결론을얻을수있었다. 세가지분석기법을이용한모형의예측율차이는통계적으로유의하지않으나, 그림 2를통해알수있듯각각의모형이가지는분류특징에따라사용자는원하는모형을선택할수있다. 사용자는다양한모형선택을통해패배와승패의원인을보다폭넓게파악하고향후전략을수립할수있을것으로보인다. 5. 승패예측모형의시각적활용 다양한통계적기법을바탕으로본연구진은각각의모형별로승패를예측하는데있어특징점이나타난다는점을알수있었다. 따라서설계된모형을바탕으로승패에대한예측을확률로볼수있는그래프를만들어전략수립에도움을주는데활용하고자하였다. 그래프제작에는 Java의 JFreeChart를이용하였으며, 승패예측확률을알아볼수있는프로그램제작을위해웹프로그래밍을이용하였다. 그림 3은임의선택한게임데이터에대해승패예측모형을대입하여승패의확률을그래프로나타낸것이다. 그래프는두팀에대하여승패의확률을보여주며로지스틱회귀분석으로만들어진승패예측모형을시간대별로대입해확률계산을실시하였다. 그림 3 승패예측모형을사용해그린확률그래프 로지스틱회귀분석모형 Fig. 3 Probability graph using winning forecast model: logistic regression analysis 확률그래프는두팀이가질수있는 50% 승리확률에서부터시작하게되며, 차후시간이흐를수록변하는팀의확률을표현하였다. 그림 3의확률을예로살펴보면 20분과 24분사이의확률이급격하게변하는것을확인할수있다. 이는승패예측모형의확률변화에영향을미친요인들이존재한다는뜻이며, 이시점에서승부가크게기울어졌을확률이높다. 따라서사용자는확률이기울어진시점을확인해특정시점의게임영상을빠르게확인할수있으며, 승패의요인을찾을수있게된다. 그림 4는그림 3에서사용한게임데이터를로지스틱모형과판별분석모형을이용해확률그래프를표현한것이다. 로지스틱모형과판별분석모형의승패예측모형식이다르게설계되었기때문에확률의값역시다르게나타난다. 사용자는원하는승패예측모형을선택해확률을비교할수있으며, 두승패예측모형의확률그래프에서동일하게확률이변화하는시점을찾아경기및게임분석에이용할수있다. 인공신경망모형의경우승패를구분하는확률이표현되지않으므로위의그래프에표현하지않았다. 그림 4 로지스틱회귀분석모형과판별분석모형의확률비교 Fig. 4 Probability comparison between logistic regression model and discriminant model
AOS 장르 게임의 승패 예측 모형의 설계와 활용 43 그림 6은 실제 리그오브레전드 챔피언스 코리아 경기 영상을 참조해 승패 예측에 대한 확률 그래프를 나타낸 것이다. 사용자는 저장된 게임 영상과 게임 데이터가 있 다면 승패 예측율을 보여주는 확률 그래프를 활용해 게 임을 복기할 수 있다. 그림 6에서는 시작 시간을 20분을 기점으로 하여 경기 시작 후 20분부터의 확률 그래프를 그려보았고, 경기 영상과의 비교 확인을 할 수 있었다. 승패 예측 모형은 스포츠의 관점에서 향후 전략 수립을 위한 도구로 사용될 수 있을 뿐 아니라, 확률이 변하는 기점을 근거로 하여 게임 운영을 빠르게 피드백 할 수 있을 것으로 보인다. 6. 결 론 본 연구에서는 기존 스포츠 경기에서 주로 사용되던 그림 5 승리 확률을 보여주는 웹사이트 Fig. 5 Website for showing the winning rate 승패 예측 모형의 설계를 게임 데이터에 적용해 AOS 장르 게임의 승패 예측 모형을 설계해 보았다. 게임 데 이터를 팀별 데이터로 가공하며 다양한 모형의 설계를 그림 5는 사용자가 현재 게임 진행 상황을 입력해 승 제안하였다. 로지스틱 회귀분석의 결과 패배를 분류할 패 예측 확률을 확인할 수 있도록 디자인한 웹 페이지 확률이 높게 나타난 반면 판별 분석의 결과 승리를 분 이다. 사용자는 변수에 해당하는 칸에 현재 진행되고 있 류할 확률이 높게 나타났다. 인공신경망을 이용한 승패 는 게임 혹은 특정 상황에서의 게임 데이터를 입력해 예측 모형의 경우 승리와 패배를 분류하는 확률이 모두 볼 수 있으며, 승패 예측 모형에 의해 계산된 승리 확률 높은 결과를 보였다. 예측 모형의 비교를 실시한 결과 을 확인할 수 있다. 승패 예측 모형은 설계만으로도 다 유의수준 5%에서는 세 가지 모형 간 예측율은 통계적 양한 형태의 기술로 응용이 가능하며, 사용 가능성 또한 으로 큰 차이가 없는 것으로 나타났다. 세 가지 모형의 그 범위가 매우 넓다. 예측율은 평균 95%로 매우 높게 나타났으며, 모형의 설 그림 6 게임 영상을 이용한 확률 그래프의 활용 Fig. 6 Application of probability graph with the game image
44 정보과학회컴퓨팅의실제논문지제 23 권제 1 호 (2017. 1) 계를바탕으로실제경기에사용할수있는확률그래프를제작하였다. 사용자는게임데이터를이용한확률그래프를확인할수있으며, 원하는모형을선택하여현재경기상황에대한승패예측확률을알아볼수있다. 사용자는시각적툴을이용해쉽게승패확률을비교할수있으며이는경기영상과함께활용되어새로운전략을수립하는데사용될수있었다. 상대적인승패가명확하게정해지는게임의경우팀별데이터와개인데이터를이용함에있어상대적인비교가모형에적용되어야한다. 따라서향후연구에서는팀간의상대적인비교를적용한승패예측모형의설계가필요하며, 다양한시각적툴을개발해사용자가웹을통해게임정보에쉽게접근할수있도록해야할것이다. 또한본논문에서제안한방식은통계분석결과를오프라인으로활용하는것인데스포츠에서실시간승부예측이매우중요하다. 그러므로컴퓨터를활용하는다양한온라인게임들이 e스포츠로서경쟁력을가지기위해서는실시간예측을활용한중계가필요할것이며, 실시간으로받아온데이터를이용한승패예측모형의활용이이루어져야할것이다. References [1] Korea Council of Sport for All, Sports Encyclopedia [Online]. Available : http://portal.sportal.or.kr (downloaded 2016, Aug. 24) [2] S.S. Oh, D.H. Kim, "Analysis of the Academic Research Trend of e-sports," Journal of Korean society for Wellness, Vol. 7, No. 2, pp. 113-121, May. 2012. [3] B.I. Park, "e-sports Value and the Controversial Issues and Solutions for a Problem of e-sports from a Sportive Point of View," Journal of Sport and Leisure Studies, Vol. 36, No. 1, pp. 101-120, May. 2009. [4] H.Y. Lee, "A Study on Forecastiong the Winning Rate of Soccer Games Using the Poisson Distribution," Journal of the Korean Data Analysis Society, Vol. 14, No. 1(B), pp. 499-507, Feb. 2012. [5] J.H. Kim, G.T. Ro, J.S. Park, W.H. Lee, "The Development of Soccer Game Win-Lost Prediction Model Using Neural Network Analysis - FIFA world cup 2006 Germany," Korean Journal of Sport Science, Vol. 18, No. 4, pp. 54-63, 2007. [6] S.H. Gu, H.S. Kim, S.Y. Jang, "A Comparison Study on the Prediction Models for the Professional Basketball Games," Korean Journal of Sport Science, Vol. 20, No. 4, pp. 704-711, 2009. [7] J.H. Kim, K.T. Kim, J.K. Han, "Big Data Analysis based on Deep Learning for Baseball Game Data," Proc. of Symposium of the Korean Institute of communications and Information Science, pp. 262-265, 2015. [8] S.J Lee, D.H. Lee, "Real time predictive system design and implementation using Bigdata-log," Journal of the Korea Insitute of Information Security and Cryptology, Vol. 25, No. 6, pp. 1399-1410, Dec. 2015. [9] J.K. Kim, C.E. Wong, K.C. Jung, "Game Player Model Analysis with Time-series Data Mining," Proc. of the Korea Information Science Society 2007 Fall Conference, Vol. 34, No. 1(C), pp. 293-296, 2007. [10] J.Y. Kim, H.J. Lee, "A Study of Gamebot Detection using Online Game Log Data Analysis," Proc. of the Korea Information Science Society 2013 Fall Conference, pp. 680-682, 2013. [11] J.Y. Kim, H.J. Lee, "Gamebot Detecting Rule Verification and Gamebot Detection using Online Game Log Data," Proc. of the Korea Information Science Society 2014 Winter Conference, pp. 835-837, 2014. [12] K.Y. Lee, K.M. Jeong, "A Game Log Data Analaysis Technique using MapReduce," Journal of The Korean Society For Computer Game, Vol. 27, No. 1, pp. 19-25, Mar. 2014. [13] League of Legend Developers Web Site, [Online]. Available: https://developer.riotgames.com/ [14] League of Legend Official Web Site, [Online]. Available: http://www.leagueoflegends.co.kr/ [15] J.H. Kim, R Multivariate statistical analysis, KyoWooSa, Seoul, pp. 154-157, 2015. 구지민 2013 년 ~ 덕성여자대학교정보통계학과재학. 관심분야는게임데이터분석, 인공지능, 빅데이터등 유견아 1986년서울대학교제어계측공학과 ( 학사 ) 1988년서울대학교제어계측공학과 ( 석사 ) 1995년미국 USC( 박사 ). 1996년~ 덕성여자대학교컴퓨터학과교수. 관심분야는인공지능, 게임인공지능, 게임데이터분석등