PREVISÃO DO CUSTO DE CARTAS EM LEGENDS OF RUNETERRA UTILIZANDO RANDOM FOREST

UMA ABORDAGEM DE APRENDIZADO DE MÁQUINA PARA ANÁLISE DE DADOS DE JOGOS ELETRÔNICOS

Autores

Palavras-chave:

Aprendizado de máquina, Random Forest, Modelagem preditiva, Treinamento Supervisionado, Jogos eletrônicos

Resumo

A inteligência artificial (IA) e o aprendizado de máquina (machine learning) estão revolucionando a análise de dados e a tomada, incluindo jogos eletrônicos. Este estudo aplicou a técnica de Random Forest, um algoritmo de aprendizado de máquina, para analisar e modelar dados de cartas do jogo Legends of Runeterra (LoR). O objetivo foi construir um modelo preditivo para estimar o custo de uma carta com base em seus atributos e explorar a distribuição dos tipos de carta no jogo. A metodologia envolveu a análise exploratória de um conjunto de dados público contendo informações sobre as cartas do LoR, utilizando as bibliotecas Python Pandas, NumPy, Matplotlib, Seaborn e Scikit-learn. O modelo de Random Forest foi treinado e testado em subconjuntos dos dados. Seu desempenho foi avaliado utilizando o erro quadrático médio (MSE) e o coeficiente de determinação (R²). Os resultados revelaram insights sobre a distribuição do custo e dos tipos de carta no jogo, com a maioria das cartas apresentando custo baixo e as cartas do tipo "Unidade" sendo as mais frequentes. O modelo preditivo alcançou um R² de 0.516, indicando que explica 51.6% da variância no custo das cartas. Este estudo demonstra o potencial do aprendizado de máquina para analisar dados de jogos eletrônicos e auxiliar jogadores e desenvolvedores na tomada de decisões estratégicas. As conclusões abrem caminho para futuras pesquisas que explorem outros algoritmos de aprendizado de máquina e atributos das cartas, visando aprimorar a precisão do modelo preditivo e aprofundar a compreensão das dinâmicas do jogo.

Arquivos adicionais

Publicado

2024-09-09

Artigos mais lidos pelo mesmo(s) autor(es)

1 2 > >>