Este projeto treina uma rede neural artificial (MLP) para descobrir e classificar estilos de jogo de jogadores profissionais do League of Legends World Championship 2024.
O modelo usa Inteligência Artificial para analisar estatísticas reais do Worlds 2024 e identificar padrões de estilo de jogo entre profissionais. Além de classificar jogadores, a IA também calcula a sinergia de cada time (combinação de estilos + desempenho médio) para prever o Top 4 técnico e um MVP IA.
- Foram coletados dados reais de 81 jogadores do campeonato (fonte: Kaggle Dataset).
- As estatísticas foram tratadas (remoção de %, vírgulas, NaNs) e padronizadas.
- Foram criados rótulos de estilo de jogo — “Agressivo”, “Carregador”, “Visionário” etc.
- Foi treinada uma MLP (Multi-Layer Perceptron) do Scikit-learn.
- Avaliação com Hold-out e Validação cruzada (5-fold).
- Foram gerados gráficos e relatórios automáticos.
A MLP (Multi-Layer Perceptron) é uma rede neural totalmente conectada que aprende padrões a partir de exemplos. Neste projeto, ela recebe estatísticas como KDA, DPM, GPM, KP%, visão, Solo Kills, GD@15 e aprende a associá-las a um estilo de jogo primário.
| Estilo | Explicação simples |
|---|---|
| 🗡️ Agressivo | Parte pra cima, busca abates e pressiona o mapa. |
| 💪 Carregador | Principal fonte de dano e vitórias do time (carry). |
| 🧱 Consistente | Joga de forma segura, erra pouco, mantém bom desempenho. |
| ⚔️ Duelista | Forte em lutas 1x1, depende da mecânica individual. |
| ⚖️ Equilibrado | Mistura ataque e defesa, joga de forma adaptável. |
| 💥 Volátil | Instável: pode jogar muito bem ou muito mal. |
| 🩹 Suporte | Ajuda o time com visão, cura, proteção e controle. |
| 🔮 Visionário | Foca em controle de mapa e visão estratégica. |
Cada jogador pode ter múltiplos estilos. Para treinar, é escolhido um Estilo Primário.
| Estilo | Regra (simplificada) | Interpretação breve |
|---|---|---|
| 💪 Carregador | DPM > p75 ∧ GPM > média ∧ KDA > média | Dano alto, bom ouro e poucas mortes |
| 🗡️ Agressivo | DPM > média ∧ (KP% > média ∨ Solo Kills > média) | Cria jogadas |
| 🔮 Visionário | VSPM > média ∧ WPM > média ∧ DPM < média | Foco em controle e visão |
| 🩹 Suporte | KP% > média ∧ WPM > média ∧ GPM < média | Participativo e protetor |
| 🧱 Consistente | KDA > p75 ∧ Avg Deaths < média | Estável e difícil de punir |
| 💥 Volátil | GD@15 < 0 ∧ Avg Deaths > média | Oscilante |
| ⚔️ Duelista | Solo Kills > p75 ∧ DPM > média | Forte 1x1 |
| ⚖️ Equilibrado | Nenhuma das regras acima | Meio-termo |
Prioridade: Carregador > Agressivo > Visionário > Suporte > Consistente > Volátil > Duelista > Equilibrado.
Synergy Score = 0,7 · StyleScore + 0,3 · PerfScore
Top 4 IA (sinergia estilo + performance)
- 🏆 Weibo Gaming — ≈ 4,07
- 🥈 T1 — ≈ 4,06
- 🥉 Gen.G — ≈ 3,62
- 💪 Team Liquid — ≈ 3,49
MVP IA: xiaohu (Weibo Gaming)
Top 4 real: 🥇 T1 | 🥈 BLG | 🥉–4 Weibo / Gen.G
A IA acertou 3 dos 4 times reais.
pip install -r requirements.txt
python .\src\mlp_estilo_lol_final.pyO script lê a base, calcula estilos, treina a MLP e gera relatórios em outputs/.
📁 src/
├── mlp_estilo_lol_final.py
├── player_statistics_cleaned_final.csv
📁 outputs/
├── confusion_matrix_estilo_*.png
├── estilos_bar_*.png
├── estilos_pie_*.png
├── estilos_multi_bar_*.png
├── estilos_multi_pie_*.png
├── relatorio_estilos_*.txt
└── predicoes_completas_*.csv
- Acurácia (hold-out): 0,68
- Precisão ponderada: 0,73
- Recall ponderado: 0,68
- F1 ponderado: 0,69
- Validação cruzada (5 folds): média 0,74 ± 0,06
| Métrica | Significado |
|---|---|
| Acurácia | Percentual total de acertos. |
| Precisão | O quanto o estilo previsto está certo. |
| Recall | Quantos reais a IA identifica. |
| F1-Score | Equilíbrio entre precisão e recall. |
Acurácia: 0.80
Precisão média: 0.86
Estilo mais comum previsto: Agressivo
Time mais equilibrado: Weibo Gaming
MVP segundo a IA: xiaohu (Weibo Gaming)
Campeão real: T1 🏆
| Arquivo | Mostra | Interpretação |
|---|---|---|
confusion_matrix_estilo_*.png |
Matriz de confusão | Acertos na diagonal |
estilos_bar_*.png |
Distribuição de estilos | Frequência de cada classe |
estilos_pie_*.png |
Proporção de estilos | Percentual de cada estilo |
estilos_multi_bar_*.png |
Multiestilo (barras) | Frequência de estilos combinados |
estilos_multi_pie_*.png |
Multiestilo (pizza) | Percentuais combinados |
predicoes_completas_*.csv |
Tabela de previsões | Estilos por jogador |
relatorio_estilos_*.txt |
Relatório completo | Métricas e sinergia |
- T1 — predominância Consistente
- Weibo Gaming — Agressivo
- BLG — Agressivo
- Gen.G — Consistente
- LabelEncoder para dados categóricos
- StandardScaler (z-score)
- Train/test split estratificado
- StratifiedKFold (5 folds)
- MLPClassifier com
(128, 64), ReLU,max_iter=3000,random_state=42
- Autora: Laura Barbosa Henrique (
@tinywin) - Instituição: Universidade Federal do Tocantins (UFT)
- Disciplina: Inteligência Artificial — 2025/02
- Docente: Prof. Dr. Alexandre Rossini
- Contato:
laura.henrique@mail.uft.edu.br
Dataset: "2024 LoL Championship Player Stats and Swiss Stage" Autor: nxank4 (An) — DOI: 10.34740/kaggle/dsv/9722676
Projeto educacional, sem fins comerciais. Código e experimentos liberados para aprendizado e pesquisa, respeitando os termos do Kaggle.
“Treinei uma rede neural para reconhecer o estilo de jogo de jogadores do Mundial de LoL 2024 usando estatísticas reais. A IA aprendeu a identificar perfis como Agressivo, Carregador e Visionário, alcançando cerca de 70% de acerto. Mesmo com boas previsões, o modelo mostra que números nem sempre capturam o fator humano — por isso, a T1 continua sendo a campeã real.”
A rede MLP identificou padrões estatísticos coerentes com estilos reais. Acertou 3 dos 4 times do Top 4 e destacou limitações quantitativas — sem captar aspectos humanos como:
- sinergia em série MD5
- adaptação de draft
- leitura tática
- controle emocional
- impacto do MVP