Cómo Bayes analiza las probabilidades de CS:GO utilizando el método Bayesian Updating

La analítica de deportes electrónicos ha ganado terreno en la última década, y Bayes Esports es uno de los pioneros en cuanto a modelos precisos y sólidos
bayes-esports-cs-go-bayesian-updating

Darina Goldin, directora de ciencia de datos en Bayes Esports , detalla cómo Bayes analiza las probabilidades de CS: GO automáticamente utilizando el método Bayesian Updating.

La analítica de deportes electrónicos ha ganado terreno en la última década, y Bayes Esports es uno de los pioneros en cuanto a modelos precisos y sólidos. Sus científicos de datos utilizan una variedad de técnicas para hacer justicia a los juegos. Uno de ellos es Bayesian Updating, y aunque este término puede parecer aterrador al principio, es un enfoque muy fácil de entender.

Cómo funciona

Digamos que tenemos dos equipos, Bears y Gorillas, jugando Counter-Strike. Para simplificar, supongamos que el partido consta de un solo mapa, aunque el modelo funciona igual en un juego al mejor de tres o al mejor de cinco. Al comienzo del partido, pensamos que nuestros dos equipos son igualmente fuertes. En términos matemáticos, decimos que la probabilidad de que los Bears ganen es de 0,5, y la probabilidad de que los gorilas ganen es, por supuesto, también de 0,5.

El juego comienza y los Bears están jugando muy bien. Pronto están liderando 7: 1. ¿Cuál es la probabilidad de que los Bears ganen ahora? ¿Sigue siendo 0,5 como pensábamos al principio? Probablemente no. De hecho, probablemente esté significativamente por encima de 0,5.

Aquí, ya hemos realizado el Bayesian Updating. Al comienzo del juego, teníamos una creencia previa sobre la probabilidad de que ganara cada equipo. Luego, cuando vimos que se desarrollaba la coincidencia, actualizamos nuestra creencia para que coincidiera con la evidencia. A medida que el juego se desarrolle, continuaremos actualizando nuestras creencias. Cada vez haremos la misma pregunta: ‘¿Cuál es la probabilidad de que ganen los Bears, dada la puntuación actual?’

Variables a considerar

Por supuesto, este proceso de actualización funciona en ambos sentidos. Suponga que el primer juego termina con los Bears ganando 16: 1. La próxima vez que los Bears jueguen contra los Gorilas, pensaremos que los Bears tienen una mayor probabilidad de ganar, tal vez 0,7. De una manera mucho más sofisticada, esto es lo que hacen todos los algoritmos de calificación de fuerza como Trueskill y Glicko2 . En esencia, tienen una estimación de qué tan fuerte es un equipo o un jugador, y después de cada partido, esta probabilidad se actualiza.

El Teorema de Bayes, uno de los principales teoremas de la teoría de la probabilidad. No es casualidad que nuestra empresa se llame Bayes Esports. De hecho, es un guiño directo a Sir Thomas Bayes. Su teorema, publicado post-mortem, se convirtió en una de las leyes más importantes de la teoría de la probabilidad y la estadística. Se encuentra en el núcleo de tantas aplicaciones modernas que incluso se podría considerar a Sir Thomas como el padre del aprendizaje automático moderno.

El concepto de Darina Goldin, directora de ciencia de datos en Bayes Esports , detalla cómo Bayes analiza las probabilidades de CS: GO automáticamente utilizando el método Bayesian Updating es fácil, engañosamente. Esto se debe a que el desafío no radica en comprender su mecanismo, ni siquiera en elegir una creencia previa, sino en encontrar una regla de actualización correcta. En aplicaciones de la vida real, esto puede ser una tarea bastante desafiante.

Predecir quién ganará

Siguiendo con nuestro ejemplo de Osos contra gorilas, ya hemos visto que la probabilidad de que los osos ganen contra los gorilas es diferente con una puntuación de 0: 0 que con una puntuación de 7: 1. ¿Qué pasa si la puntuación es 3: 3, es lo mismo que 0: 0?

Si eres un fan de Counter-Strike, probablemente hayas respondido con un rotundo ‘¡No!’ y con razón. Esto se debe a que no todas las rondas se crean de la misma manera en CS: GO. Por ejemplo, hay diferentes lados: un equipo comienza como terrorista y el otro como antiterrorista. Cada mapa tiene una geometría diferente, lo que facilita que CT esté al acecho o que los terroristas ataquen.

También hay otro factor clave a considerar aquí. ¿Cuál de los dos equipos eligió el mapa? Estadísticamente, el equipo que eligió el mapa tiene una ventaja.

Así que nuestro aparentemente ‘par’ 3: 3 es de hecho todo menos eso. Si los dos equipos están jugando en Nuke, los Bears eligieron el mapa y son Contraterroristas en la primera mitad y, a pesar de eso, están empatados con Gorillas, entonces están jugando peor que sus oponentes. Si, por otro lado, están jugando a ser terroristas y los gorilas eligieron el mapa, los osos lo están haciendo increíble y es mucho más probable que salgan victoriosos.

Vimos que la estimación de la habilidad del equipo, la elección del mapa y el bando son algunos de los antecedentes que se necesitan para estimar la probabilidad de que un equipo gane una ronda determinada. Estos, junto con muchos otros, se encuentran en el núcleo de los modelos CS: GO de Bayes Esports.

Cada vez que ingresa nueva información o se toma una acción en el mapa, nuestras probabilidades de ronda se actualizan. Una vez que tenemos una predicción para cada ronda, podemos derivar mercados como el puntaje correcto de la ronda o las primeras a X rondas. También podemos acumularlos para obtener la probabilidad de ganar el mapa y, en última instancia, la probabilidad de ganar el partido. Una vez que finaliza el partido, la estimación de habilidades del equipo también se actualiza y el ciclo comienza de nuevo.

Fuente: Esports Insider

The Esports Journal Español 30/08/2021

Nota PreviaSiguiente Nota
X