본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색

결과 내 검색

동의어 포함

고급검색

인명/단체명

저자정보 상세정보
인명/단체명을 입력하세요.

키워드

  • 대표어

  • 외국어

-

목차보기

표제지 2

국문요약 5

목차 7

수식 11

Ⅰ. 서론 12

1. 연구의 필요성 12

2. 연구목적 15

3. 연구내용 15

4. 용어의 정의 16

1) LOL(league of legends) 16

2) 챔피언(Champion) 16

3) 포지션 16

4) 랭크 시스템 17

5) KDA 17

5. 연구의 제한점 18

Ⅱ. 연구방법 19

1. 연구대상자료 19

2. 자료수집방법 21

3. 자료처리방법 22

1) 데이터 전처리 22

2) 하이퍼파라미터 최적화 24

3) 모델 평가 24

4. 머신러닝 모델 설계 26

5. 선수 평가 지표 선정 및 개발 27

(1) 포지션별 선수 평가 지표 27

6. 선수 평가 지표 타당화 28

Ⅲ. 연구결과 29

1. 머신러닝 기반 포지션별 선수 평가 지표 개발 29

1) 포지션별 승부 예측 모델 설계 및 훈련 29

2) 머신러닝 모델의 성능 평가 및 변수 중요도 분석 40

3) 포지션별 선수 평가 지표 선정 및 개발 45

2. 포지션별 선수 평가 지표 개발 및 타당화 47

1) 포지션별 선수 평가 지표 설문 설계 및 실시 47

2) 선수 평가 지표 타당도 분석 48

Ⅳ. 논의 57

1. 머신러닝 기반 포지션별 선수 평가 지표 개발 57

2. 포지션별 선수 평가 지표 타당화 58

Ⅴ. 결론 60

참고문헌 62

ABSTRACT 64

표목차 9

표 1. 수집한 경기 수 20

표 2. 수집한 게임데이터 20

표 3. 수집 절차 21

표 4. RandomForest 기본모델 하이퍼파라미터 구성 30

표 5. XGBoost 기본모델 하이퍼파라미터 구성 31

표 6. LightGBM 기본모델 하이퍼파라미터 구성 32

표 7. ElasticNet 기본모델 하이퍼파라미터 구성 33

표 8. 머신러닝 기본모델 평가지표 34

표 9. RandomForest 최적화모델 하이퍼파라미터 구성 36

표 10. XGBoost 최적화모델 하이퍼파라미터 구성 37

표 11. LightGBM 최적화모델 하이퍼파라미터 구성 38

표 12. ElasticNet 최적화모델 하이퍼파라미터 구성 39

표 13. 머신러닝 최적화 모델 평가지표 41

표 14. 포지션별 머신러닝 최적화 모델 선정 42

표 15. 탑 XGBoost 머신러닝 최적화 모델 변수중요도 43

표 16. 정글 XGBoost 머신러닝 최적화 모델 변수중요도 43

표 17. 미드 LightGBM 머신러닝 최적화 모델 변수중요도 44

표 18. 원딜 XGBoost 머신러닝 최적화 모델 변수중요도 44

표 19. 서포터 ElasticNet 머신러닝 최적화 모델 변수중요도 45

표 20. 선정된 주요 평가지표 46

표 21. 설문대상자 티어 분포 49

표 22. 설문대상자 주 포지션 분포 50

표 23. 현재 선수 평가 지표의 타당성 검토 52

표 24. 공통된 지표에 대한 응답률 54

표 25. 포지션별 머신러닝 기반 변수 중요도에 대한 응답률 55

표 26. 포지션별 머신러닝 기반 종합 점수 지표에 대한 응답률 56

초록보기

 본 연구는 머신러닝 기법을 활용하여 리그 오브 레전드(League of Legends, 이하 LOL)에서 포지션별 선수 평가 지표를 개발하고, 그 타당성을 검증하는 것을 목적으로 한다. 기존 LOL의 랭크 시스템은 승패 기반의 LP(League Points) 및 KDA 등 단일 지표에 지나치게 의존하는 한계가 있다. 이러한 평가지표는 ‘쌩배’, ‘낮듀’ 등 시스템적 요인 및 팀 단위 결과에 영향을 받아, 개별 선수의 실제 기여도와 포지션별 역할 특수성을 충분히 반영하지 못한다.

본 연구에서는 2024 시즌 챌린저 티어 선수의 스플릿3 정규시즌 솔로 랭크 17,587 건의 경기 데이터를 수집하여, 포지션별(탑, 정글, 미드, 원딜, 서포터)로 RandomForest, XGBoost, LightGBM, ElasticNet 등 다양한 머신러닝 분류 모델을 구축하고, 하이퍼파라미터 최적화를 통해 모델의 성능을 향상시켰다. 각 포지션별로 최적의 모델을 선정한 후, 변수 중요도(Feature Importance) 분석을 통해 승부 예측에 기여도가 높은 주요 변수를 평가지표로 선정하였다. 모든 변수는 Min-Max 정규화를 적용하고, 변수별 가중치를 곱한 가중합으로 평가지수를 산출하여 10점 만점의 척도로 환산하였다.

최종적으로 도출된 포지션별 평가지표의 현장 타당성은 e-스포츠 관련 학과 학생 및 일반 유저 100여 명을 대상으로 한 설문조사를 통해 검증하였다. 설문 결과, 모든 포지션에서 머신러닝 기반 평가지표의 적절성 및 활용 가능성에 대해 긍정적 평가가 확인되었다.

본 연구는 기존 단일 지표의 한계를 극복하고, 각 포지션의 역할 특성을 반영하는 선수 평가 지표 개발의 방법론적 가능성을 제시하였다는 점에서 의의가 있다. 향후 다양한 티어 및 실제 경기 적용을 통한 추가적 검증과 보완이 필요하다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차

권호

기사명 원문보기 기사목차
닫기