일단 프로젝트 리드미만 옮겨놓기 …

PUBG Analysis

PUBG(PlayerUnknown’s Battlegrounds) 데이터 분석 프로젝트 (수정 진행 중 입니다.)

프로젝트 개요

🎯 목표

배틀그라운드에서 게임 순위를 높이는 전략을 도출하는 것이 이 프로젝트의 핵심입니다.
특정 맵과 클러스터에서 얼마만큼의 이동거리와 데미지를 내야 우승 확률이 높은지를 분석합니다.

📊 데이터

  • 사용 기간: 2017~2018년 PUBG 매치 데이터
  • 분석 범위: 주요 맵인 에란겔(Erangel) 과 미라마(Miramar)
  • 주요 변수:
    • 이동 거리(player_dist_total, player_dist_drive)
    • 데미지(player_dmg)
    • 파티 크기 및 스쿼드 유형(솔로/듀오/스쿼드)
    • 생존 시간(player_survive_time)
    • 킬 수(player_kills)

🧩 전제 조건

  • 플레이어는 3가지 유형으로 나뉜다고 가정:
    1. 교전 선호형: 적극적으로 교전을 즐기는 플레이어
    2. 생존 우선형(존버): 교전을 최소화하고 생존을 우선하는 플레이어
    3. 균형형: 적당히 파밍하고 교전을 선택적으로 즐기는 일반적인 플레이어
  • 맵별로 교전 지역 및 플레이 스타일이 다르다는 점을 고려하여 분석.

분석 내용

1️⃣ 클러스터링을 통한 플레이어 유형 분류

  • 사용 변수:
    • player_dist_total (총 이동 거리)
    • player_dmg (가한 데미지)
    • drive_type (차량 이동 여부)
    • player_kills (킬 수)
  • 방법:
    • 데이터 표준화: StandardScaler()
    • 클러스터링: KMeans()로 3개의 클러스터로 분류
  • 결과:
    • Cluster 0: 일반적 플레이어
    • Cluster 1: 교전 선호형 플레이어
    • Cluster 2: 생존 우선형 플레이어 (존버)

2️⃣ 생존 확률 분석

  • 각 클러스터의 생존 확률을 비교하여 유형별 전략적 우위를 분석.
  • player_dist_drive(차량 이동 거리) 가 생존 확률에 큰 영향을 미치는 것으로 나타남.
    이는 특정 상황에서 차량 이동 전략이 중요하다는 점을 시사합니다.

모델링

🔍 사용 모델

  • 다양한 머신러닝 모델을 활용하여 생존 확률 예측:
    • Decision Tree
    • Random Forest
    • Logistic Regression
    • Gradient Boosting

성능 평가

  • Random Forest와 Decision Tree가 높은 정확도를 보였으나,
    속도를 고려하여 Decision Tree를 최종 모델로 채택.

최종 모델 정의

  • 주요 변수:
    • player_dist_total, player_dmg (이동 거리와 데미지)
    • 각 클러스터 원-핫 인코딩 (cluster_0, cluster_1, cluster_2)
  • 타겟 변수:
    • 상위 5위 이내 진입 여부 (이진 분류)
# 예측 모델 데이터 준비
X = sample_df[['player_dist_total', 'player_dmg', 'cluster_0', 'cluster_1', 'cluster_2']]
y = (sample_df['team_placement'] <= 5).astype(int)  # 상위 5위 여부

결론 및 기대 효과

  1. 유형별 플레이 전략:

    • 유형에 따라 최적의 생존 전략 및 우승 확률을 높이는 방법 제안.
    • 예: 차량 활용, 특정 지역 우선 파밍 등.

  2. 맵별 최적화 전략:

    • 에란겔과 미라마의 특성에 맞춘 데이터 기반 플레이 가이드 제공.

  3. 게임 데이터 활용 가능성:

    • e스포츠 전략 분석, 신규 사용자 유입을 위한 데이터 기반 인사이트 제공.

프로젝트 구조

PUBG_analysis/
├── data/                           # 전처리된 데이터 (원본 데이터 용량 이슈)
├── notebooks/                      # 분석 Jupyter 노트북
├── models/                         # 추가 예정: 훈련된 모델 저장
├── results/                        # 추가 예정: 결과 데이터 및 시각화 자료
├── src/                            # 수정 중..
│   ├── clustering/                 
│   │     └── kmeans.py             # k-means로 클러스터링
│   ├── data/
│   │     ├── download.py           # kaggle dataset download
│   │     └── preprocess.py         # 전처리 진행
│   ├── modeling/
│   │     ├── compare_models.py     
│   │     ├── evaluate.py            
│   │     ├── predict.py             
│   │     └── train.py   
│   ├── serving/
│   │     └── api.py  
│   └── visualization/
│         └── plot.py  
├── origin_README.md                # 기존 설명 자료 (시각화 포함)
└── README.md                       # 프로젝트 설명

주요 기술 스택

  • Python: 데이터 분석 및 모델링
  • Pandas, NumPy: 데이터 처리
  • Scikit-learn: 머신러닝 모델링 및 평가
  • Matplotlib, Seaborn: 데이터 시각화

참고 자료

  • 데이터 출처: Kaggle
  • 분석 환경: Python 3.9, Jupyter Notebook