Przedstawiam finałowy artykuł dotyczących analizy graczy występujących w poprzednich rozgrywkach LCS. Ostatnią rozpatrywaną pozycją jest top lane.

Trochę teorii dotyczącej analizy skupień, którą wykorzystuje przy opisywaniu zawodników, można znaleźć w moim pierwszym tekście z tej serii. Objaśniam tam także jak rozumieć poszczególne wykresy zawarte w dalszej części artykułu.

Do analizy wykorzystałem statystyki pochodzące z niemal wszystkich meczów zawodników, którzy rozegrali minimum 10 gier w LCS Summer Split 2017. Nie uwzględniono tylko rozgrywek  Roccat,  Misfits,  Vitality i  Splyce z ostatniego tygodnia splitu. Zestaw wybranych zmiennych prezentuje się następująco:

• DMGPERC – przeciętny udział całkowitych obrażeń zadanych bohaterom
• CSPM – przeciętna liczba zabitych stworów (z uwzględnieniem potworów w dżungli) na minutę
• GOLDPERC – przeciętny udział zdobytego złota
• CSPERCP15 – przeciętny udział w zabitych stworach (z uwzględnieniem potworów w dżungli) po 15 minutach gry

Słowo “udział” odnosi się do wkładu drużynowego. Np. jeżeli dany gracz ma CSPERCP15 na poziomie 0,3, to liczba zabitych przez niego stworów, średnio stanowiła 30% całkowitej liczby zabitych stworów (po 15 minucie) jego drużyny. 15 minuta została przyjęta umownie, za koniec wczesnej fazy gry (early game). CSPERCP15 mierzy więc, jaki procent creepów drużyny przypadł na konkretnego top lanera w środkowym i późnym etapie rozgrywki (mid i late game).

Tym razem utworzono tylko 3 skupienia zawodników. Poniżej przedstawiono graczy wraz z numerem grupy, do której zostali przypisani oraz Silhouette plot.

Całkowita jakość grupowania, mierzona indeksem silhouette, wynosi 0,58. Poszczególni zawodnicy zostali dobrze sklasyfikowani do danych skupień, czyli są statystycznie podobni w swojej grupie i jednocześnie różną się od graczy z pozostałych grup. Poniżej zaprezentowano wykresy średnich wartości danych statystyk, za pomocą których scharakteryzowano wszystkie 3 skupienia top lanerów.Pozytywnie wyróżniającą się pod względem średnich wartości zmiennych grupę tworzą (kolor zielony na rysunku):

 Kikis,  Cabochard,  Wunder,  Profit,  Expect,  Vizicsacsi,  Hauntzer,  Ssumday.

Patrząc na wybrane statystyki, można stwierdzić, że są to zawodnicy dobrze farmiący (CSPM) i mający duży wkład w drużynowe obrażenia (DMGPERC), złoto (GOLDPERC) oraz zabite stwory po 15 minucie (CSPERCP15). Grupę tworzy mieszanka graczy z różnie radzących sobie w ubiegłym splicie zespołów. Znajdują się tu top lanerzy słabszych (  Mysterious Monkeys – Kikis,  Vitality – Cabochard,   Ninjas in Pyjamas – Profit), przeciętnych (  Splyce – Wunder, Dignitas – Ssumday) i dobrych ekip (  G2 Esports – Expect,  Unicorns of Love -Vizicsacsi,  Team SoloMid – Hauntzer). To czy konkretny zawodnik może przyczyniać się w znaczący sposób do drużynowych statystyk wydaję się być niezależne od jakości zespołu, w którym dana osoba występowała. Istotniejszy wpływ ma być może ogólna taktyka. Przykładowo w zespole Unicorns of Love gra koncentrowała się bardziej na Vizicsacsim, niż na Exilehu, który w poprzednim artykule został sklasyfikowany jako najmniej efektywny w danych statystykach. Również warto spojrzeć na wybierane postacie przez powyższą grupę graczy. Dostrzeżemy wtedy bohaterów, takich jak  Renekton,  Camille,  Jarvan IV,  Rumble, Kled, Gnar, czy Fiora. Z pewnością są to postacie umiejące zadawać obrażenia, które często mogą być wysyłane na boczną aleje by splitpushować (i jednocześnie farmić).

Dla 1 skupienia znajdziemy najniżej położone na wykresie punkty reprezentujące średnie. Grupę tę formują:

 Odoamne,  sOAZ,  Phaxi,  Brandini,  Impact,  Balls,  zig, Darshan.

Powyżsi gracze zostali przypisani do skupienia cechującego się najmniejszymi średnimi wartościami danych zmiennych. Oznacza to, że nie charakteryzują się oni dużymi ilościami zdobytych stworów na minutę (CSPM). Nie mają także dużego procentowego wkładu w statystyki drużynowe związane z obrażeniami (DMGPERC), złotem (GOLDPERC) i farmą po 15 minucie (CSPERCP15).

Ponownie mamy tu zestawionych zawodników, którzy występowali zarówno w lepiej, jak i w gorzej radzących sobie zespołach letniego splitu 2017. Chciałbym podkreślić, że w analizie znalazły się tylko cztery statystyki, co oznacza, że być może nie uwzględniają one innych cech, w których wyróżniają się omawiani gracze. Nie można więc wnioskować, że utworzona grupa top lanerów jest najsłabsza. Przykładowo spoglądając na tych graczy pod kątem KDA (które nie zostało zawarte w zestawie zmiennych) można zauważyć, że sOAZ, Odoamne i Darshan byli w tym aspekcie liderami wśród top lanerów. W takim razie można tylko powiedzieć, że zawodnicy tworzący 1 skupienie są najmniej efektywni pod względem czterech wybranych do analizy statystyk.

Ostatnie do scharakteryzowania zostało najmniej liczne skupienie 3:

 Alphari,  Ray,  Looper,  Lourlo,  Flame,

Seraph.

Jest to skupienie, którego średnie wartości statystyk znajdują się pomiędzy średnimi poprzednio omawianych grup. Również i tutaj zawarto zawodników z różnie radzących sobie w letnim splicie ekip. Nie górują oni jednak w znaczący sposób pod względem poszczególnych statystyk. Ogólnie rzecz biorąc, są to gracze przeciętni, biorąc pod uwagę tylko wybrane do analizy zmienne. Ponownie trzeba zaznaczyć, że mogą oni się wyróżniać pozytywnie lub negatywnie w innych nieuwzględnionych aspektach.

W artykule z pomocą metod analizy skupień dokonano statystycznej analizy mid lanerów grających w poprzednim splicie LCS. Profesjonalnych graczy sklasyfikowano do trzech skupień:

• 1 skupienie (Odoamne, sOAZ, Phaxi, Brandini, Impact, Balls, zig, Darshan) – najmniej efektywni ze względu na wybrane statystyki
• 2 skupienie (Kikis, Cabochard, Wunder, Profit, Expect, Vizicsacsi, Hauntzer, Ssumday) – najefektywniejsi
• 3 skupienie (Alphari, Ray, Looper, Lourlo, Flame, Seraph) – przeciętni

Analiza wykazała grupy zawodników cechujące się wysokimi, średnimi i niskimi wartościami danych zmiennych. W artykule zaznaczono, że wpływ na ocenę danego zawodnika, mają inne nieuwzględnione czynniki, takie jak taktyka drużyny. Nie zawarto również innych statystyk (np. KDA), które być może lepiej opisują jakość danego gracza. Z tego względu graczy należących do gorszych statystycznie skupień nie można nazwać słabymi.

To był ostatni tekst z serii analizy porównawczej zawodników grających w LCS Summer Split 2017. Kilku omawianych w artykułach graczy nie zobaczymy już w nadchodzących rozgrywkach. Część z nich będzie występować w nowych drużynach. Pojawią się również nowe twarze. Jak będą się oni wszyscy prezentować? Pierwsze pojedynki wiosennego splitu 2018 już 19 stycznia. Ze swojej strony dziękuje tym, którzy czytali moją serie statystycznych wywodów na temat zawodników LCS.

Dodatkowe uwagi dla dociekliwych statystyków
Obliczenia i wykresy zostały wykonane w środowisku R. Przy wyborze zmiennych posłużyłem się metodą HINoV. Zmienne potraktowałem jako stymulanty. Dla danych została zastosowana standaryzacja. Korzystając z metody Warda (z kwadratem odległości Euklidesowej jako miarą odległości), analizowałem uzyskane dendrogramy i rozważałem różne liczebności skupień. Ostateczne wyniki uzyskałem przy pomocy metody k-średnich dla liczby klas, przy której indeks Silhouette był najwyższy.