Przedstawiam drugi artykuł z serii analizy zawodników grających w ubiegłorocznej letniej edycji LCS. Tym razem kieruje swoją uwagę na strzelców.

Jeżeli jeszcze nie czytałeś/aś, to zachęcam Cię do spojrzenia na pierwszy tekst z tej serii dotyczący supportów. W wielkim skrócie wyjaśniam tam w jaki sposób opisuje poszczególnych zawodników z pomocą analizy skupień oraz jak rozumieć poszczególne rysunki, które są przedstawione w dalszej części artykułu.

Dane dotyczą wszystkich meczów zawodników, którzy rozegrali na pozycji ADC przynajmniej 10 gier w letnim splicie. Przypominam, że statystyki z ostatniego tygodnia splitu z pojedynków  Roccat,  Misfits,  Vitality i  Splyce nie zostały uwzględnione. Poniżej przedstawiam opis statystyk wybranych do analizy porównawczej strzelców.

• EGPM – przeciętna liczba zdobytego złota na minutę
• CSPERCP15 – przeciętny udział zabitych stworów (z uwzględnieniem potworów w dżungli) po 15 minutach gry
• XPD10 – przeciętna różnica (w odniesieniu do przeciwnika na danej pozycji) w zdobytym doświadczeniu w 10 minucie
• KDA – stosunek łącznej liczby zabójstw i asyst do liczby zgonów
• CSPM – przeciętna liczba zabitych stworów (z uwzględnieniem potworów w dżungli) na minutę

Słowo “udział” odnosi się do udziału w drużynie. 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 danego strzelca w środkowym i późnym etapie rozgrywki (mid i late game).

Strzelców występujących w EU i NA LCS Summer Split 2017 podzielono na 4 grupy, które będą charakteryzowane. Poniżej przedstawiono graczy wraz z numerem skupienia, do którego zostali przypisani, a także ilustrację graficzną (Silhouette plot).

Przypominam, że długi słupek przy nicku gracza, nie oznacza, że jest on lepszy od innych. Average silhouette width wynosi 0,54 – mniej niż w przypadku klasyfikowania supportów (0,61). Dalej jednak można mówić o niezłej jakości grupowania. Wykres średnich wartości statystyk dla poszczególnych skupień prezentuje się następująco:

Spoglądając na powyższe rysunki z pewnością rzuca się w oczy skupienie 1, a w zasadzie jego skład. Skupienie te tworzy jeden zawodnik:

Rekkles 

Występowanie „jednoelementowej grupy” oznacza, że nie znaleziono innego zawodnika, który byłby podobny pod względem wszystkich pięciu statystyk. Można, więc stwierdzić, że Rekkles w poprzednim letnim splicie LCS był najefektywniejszy, jeżeli chodzi o: zdobywanie złota na minutę (EGPM), przeciętny udział zabitych stworów po 15 minutach gry (CSPERCP15), zdobyte doświadczenie w 10 minucie (XPD10), KDA oraz liczbę zabijanych stworów na minutę (CSPM).

Szwed występował w  Fnatic, które praktycznie nie miało sobie równych w fazie grupowej. Świetne wyniki drużyny z pewnością pomogły w zdobyciu przez niego dobrych statystyk. Nie można oczywiście ujmować talentu zawodnikowi, który przez wielu jest uważany za jednego z najlepszych graczy na pozycji adc w LCS.

4 skupienie jest najliczniejsze. Zawiera w sobie następujących zawodników:

 Kobbe,  Nuclear,  Hans Sama,  Zven,  Samux,  Altec,   Doublelift,  Piglet,  Cody Sun,  Sneaky,  Stixxay,  Apollo.

Grupę tworzą gracze dobrych drużyn, które awansowały w swoich rozgrywkach do fazy playoffs (z wyjątkiem  Team Liquid Pigleta). Znajduje to oczywiście odzwierciedlenie w statystykach, takich jak zdobyte złoto na minutę (EGPM), doświadczenie w porównaniu do przeciwnika w 10 minucie (XPD10) i KDA. Powyżsi zawodnicy nie należą natomiast do najlepszych farmerów (CSPM). Możliwe, że z tego powodu nie mają też wysokiego wkładu w creepy zdobyte przez drużynę w fazie mid i late game (CSPERCP15). Warto również poczekać na następny split. Zven zmienił region i przeszedł z  G2 Esports do  Team SoloMid. Altec zamienił  Team Dignitas na słabsze w ostatnim sezonie  Echo Fox. Doublelift związał się 3 letnim kontraktem z najgorszym (w regionie NA) w zeszłym splicie  Team Liquid. Cody Sun zagra w  100 Thieves, a Apollo w  Clutch Gaming. Należałoby więc obserwować czy w następnym sezonie wymienieni zawodnicy potwierdzą swoją jakość i utrzymają dobre statystyki, takie jak KDA.

Strzelcy tworzący skupienie 2 to:

 Steeelback,  Yuuki60,  Hjarnan i  WildTurtle.

Znajdują się tu zawodnicy słabo radzących sobie drużyn w ubiegłym letnim splicie LCS. Grupa ta osiągała najsłabsze średnie wartości KDA i słabo wypadało w przeciętnym zdobywaniu złota na minutę (EGPM) oraz doświadczeniu w 10 minucie (XPD10). Można ich jednak pochwalić za dużą liczbę i udział w zabitych stworach. Zasługują oni na miano dobrych farmerów. W czasie przedsezonu Steeelback zmienił drużynę z  Team Vitality na  Giants Gaming. Hjarnan natomiast przeniósł się z nie najlepszego  Team ROCCAT i będzie teraz kolegą z drużyny Jankosa w  G2 Esports. Być może statystyki tych graczy w nadchodzącym sezonie ulegną poprawie.

Ostatnia opisywana grupa to skupienie 3. Należą do niego:

 HeaQ,  Mash,  LOD,  Keith i  Arrow.

Kolejny zbiór graczy z nie najlepszych ekip. Z wyjątkiem KDA, najmniej efektywni pod względem średnich wartości wszystkich statystyk. Można by stwierdzić, że kiepskie wyniki drużyny przełożyły się na słabe statystyki graczy. Najlepiej jednak poczekać z oceną na nadchodzący sezon. Przykładowo, HeaQ w  Team ROCCAT czy Arrow w  OpTic Gaming mogą spisywać się lepiej, niż w swoich dotychczasowych i słabo radzących sobie drużynach ( Ninjas in Pijamas,  Phoenix1).

W artykule porównywałem zawodników grających na pozycji adc w EU i NA LCS Summer Split 2017. 22 profesjonalnych graczy pogrupowano na 4 skupienia:

• 1 skupienie (Rekkles) – dominator
• 2 skupienie (Steeelback, Yuuki60, Hjarnan, WildTurtle) – nieźli farmerzy
• 3 skupienie (HeaQ, Mash, LOD, Keith, Arrow) – gracze nie najlepszych ekip
• 4 skupienie (Kobbe, Nuclear, Hans Sama, Zven, Samux, Altec, Doublelift, Piglet, Cody Sun, Sneaky, Stixxay, Apollo) – zawodnicy dobrych drużyn

Analiza wykazała, że najlepszym adc, pod względem wybranych charakterystyk, był Rekkles. Przedstawiłem również zawodników najmniej efektywnych w danych statystykach. Nie można jednak od razu nazywać ich najsłabszymi, gdyż występowali oni z reguły w gorzej radzących sobie ekipach. Należy więc zastanowić się czy w innych zespołach potrafiliby pokazać się z lepszej strony.

W kolejnym artykule przeprowadzona zostanie analiza junglerów.

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.