Beleza, pessoal! Hoje vou compartilhar com vocês um projeto que me deu um trabalhinho bom, mas que no final das contas valeu a pena: a previsão de desempenho da Evil Geniuses. Pra quem não sabe, sou fã de carteirinha de eSports e sempre curti analisar os times, os jogadores e tentar prever quem vai se dar bem. Então, juntei o útil ao agradável e me aventurei nessa!
Primeiro de tudo, coletei os dados. Gastei um tempão vasculhando sites de estatísticas de eSports, pegando resultados de campeonatos passados, KDA (kills, deaths, assists) dos jogadores, win rate em diferentes mapas… Enfim, uma infinidade de informações. Confesso que no começo me senti meio perdido, mas fui organizando tudo numa planilha pra facilitar a vida.
Depois, parti pra limpeza dos dados. Essa parte é chata, mas fundamental. Tive que lidar com dados faltantes, erros de digitação, informações inconsistentes… Usei Python com a biblioteca Pandas pra me ajudar nessa tarefa. Foi um trabalho de paciência, mas consegui deixar os dados tinindo!
Aí, comecei a explorar os dados. Usei gráficos e tabelas pra visualizar as informações e tentar encontrar padrões. Descobri, por exemplo, que o KDA do jogador X era um ótimo indicador de vitória, e que o time se dava melhor em determinados mapas. Foi bem legal ver como os dados começaram a contar uma história.
Com os dados organizados e explorados, escolhi um modelo de machine learning. Depois de pesquisar bastante, optei por usar o Random Forest, que é um algoritmo de classificação que costuma dar bons resultados em problemas de previsão. Usei a biblioteca Scikit-learn do Python pra implementar o modelo. Tive que ajustar alguns parâmetros pra otimizar a performance, mas no final das contas consegui um modelo bem preciso.
Em seguida, treinei o modelo. Dividi os dados em duas partes: uma para treinar o modelo e outra para testar sua performance. O treinamento levou um tempinho, mas quando terminou, fiquei super ansioso pra ver os resultados.
E finalmente, testei o modelo e avaliei os resultados. Usei os dados de teste para simular partidas e ver como o modelo se sairia na previsão dos resultados. Fiquei bem satisfeito com a precisão do modelo! Ele conseguiu prever corretamente a maioria dos resultados, o que me deu uma boa dose de confiança.
Claro que o modelo não é perfeito e sempre tem espaço pra melhorias. Mas o importante é que consegui criar algo útil e que me permite ter uma visão mais embasada sobre o desempenho da Evil Geniuses. E o melhor de tudo é que aprendi um monte no processo!
- Aprendi a coletar e organizar dados.
- Aprendi a limpar e tratar dados.
- Aprendi a explorar dados e encontrar padrões.
- Aprendi a implementar um modelo de machine learning.
- Aprendi a treinar e testar um modelo.
Enfim, foi uma experiência super enriquecedora e que me motivou a continuar explorando o mundo do machine learning. Quem sabe no futuro não tento prever o desempenho de outros times? Fiquem ligados pra mais novidades!