상대적 성취도와 심리적 행동 패턴을 고려한 리그 오브 레전드 승패 예측 모델

2.1 리그 오브 레전드

리그 오브 레전드는 라이엇 게임즈가 개발한 MOBA 장르의 게임으로, 다양한 모드를 제공하지만 e스포츠 공식 모드이자 가장 보편적으로 플레이되는 모드는 소환사의 협곡이다. 이는 총 10명의 플레이어가 5대5로 겨루는 팀 대전 게임이다. 각 플레이어는 자신이 담당하는 공격로(Lane)에 따라 포지션이 탑, 정글, 미드, 바텀, 서포터로 구분된다. 게임이 시작되면 플레이어는 미니언, 중립 몬스터, 적 챔피언을 처치하여 골드와 경험치를 획득하고, 이를 통해 아이템을 구매하며 성장한다. 최종적으로 상대팀 본진의 핵심 건물인 넥서스를 파괴하면 승리한다.

또한 LoL은 플레이어의 실력을 객관적으로 구분하기 위해 랭크 시스템을 운영하고 있다. 티어는 가장 하위 단계인 아이언부터 최상위 단계인 챌린저까지 총 10단계로 구성된다. 플레이어가 대전을 검색하면 게임 내 매치메이킹 시스템을 통해 유사한 티어와 실력수준(MMR)을 가진 플레이어들끼리 대전이 성사되도록 설계되어 있다.

2.2 승패 예측 관련 선행 연구

데이터 분석 기술의 발전과 함께 LoL 승패 예측 연구는 활발히 수행되어 왔다. 주로 경기 종료 후의 집계된 단순 수치 데이터를 분석하거나 시계열 데이터를 활용한 시간별 예측, 포지션별 기여도 분석과 같은 연구가 진행되고 있다. 본 연구와 관련된 주요 선행 연구들의 특징은 표 1과 같다.

Table 1.

Related studies on LoL win-loss prediction

선행 연구는 단순 수치 데이터 및 기여도 분석, 시계열 데이터 기반 예측 연구로 구분할 수 있다. 먼저 M. J. Oh et al.[3]와 Y. Kim and Y. M. Kim[4]은 킬, 데스와 같은 게임 내 단순 수치 데이터가 승패에 미치는 절대적 영향력을 입증하였다. 특히 Y. J. Kim and J. H. Min[5]은 개인별 단순 수치 데이터보다 팀 합산 데이터를 활용했을 때 예측 정확도가 향상됨을 보여 LoL이 팀플레이 중심 게임임을 입증하였다. S. Jeong and W. Yoon[6]은 포지션별 분석을 통해 바텀 라인의 지표가 전체 승리 기여도에 약 30%를 차지한다는 결과를 도출하였다. A. L. C. Silva et al.[7]은 킬, 데스, 파괴한 오브젝트 수, 포지션 간 골드 차이 등을 시계열 데이터로 변환하여 RNN을 통해 시간 흐름에 따른 연속적 승패 예측을 수행했다.

종합하면, 선행 연구는 단순 수치 합산 시계열적 변화로 연구가 진행되었으나, 대부분 연구는 팀 단위의 합산된 격차나 절대적 단순 수치 지표에 의존하고 있었다. 다만 Silva et al[7]은 포지션 간 골드 차이를 사용했으나 이는 결과적인 자원일 뿐, 그 자원을 활용해 실제 경기에서 얼마나 효율적으로 승리에 기여했는지를 설명하기에는 부족함이 있다. 또한 플레이어의 데이터에 내재된 심리적 행동 패턴을 간과하고 있다. 이에 본 연구는 상대적 성취도와 심리적 변수를 고려하여 승패 예측의 정교함을 높이고 이들의 영향력을 분석하고자 한다.

3.1 승패 예측 모델

그림 1은 LoL 승패 예측을 위해 데이터 수집, 데이터셋 구축 및 변수 생성, 모델 학습 및 평가 총 5단계로 구성된 본 연구의 방법론이다.

Fig. 1.

Research methodology for win-loss prediction

1) Riot Games의 API를 활용하여 리그 오브 레전드 한국 서버의 게임 데이터를 수집하였다.

2) CLASSIC(소환사의 협곡) 모드로 필터링한 게임 데이터셋(Match data)과 경기 시간을 이용해 산출한 이탈 데이터셋(Churn data)을 병합하였다. 또한 시간순 정렬하여 과거 3경기의 이력을 포함하도록 구성하였으며, 최종적으로 구축된 데이터셋은 티어별 승패 예측 비교를 위해 전체 티어, 상위티어, 하위티어 그룹으로 분할하였다.

3) 단순 수치 변수를 베이스로 하고, 본 연구의 핵심인 상대적 성취도 변수와 심리적 행동 패턴 변수를 새롭게 정의하여 입력 변수를 구성하였다.

4) 5가지 머신러닝 알고리즘을 사용하였으며, 베이스 모델과 제안 모델의 비교 실험을 수행하였다.

5) 두가지 성능평가 지표를 통해 제안 모델의 성능을 검증하고, 변수 중요도 분석을 통해 승패에 영향을 미치는 핵심 요인을 식별하였다.

3.2 데이터 수집 및 데이터셋 구축

Riot Games API를 활용하여 리그 오브 레전드 한국 서버의 게임 데이터를 수집하였다. 총 10개의 티어가 존재하는데, 각 티어당 4개의 디비전(“I", "II", "III", "IV“)으로 구분되는 티어는 7개이며 최상위 3개 티어는 디비전 구분 없이 각 티어 자체가 하나의 그룹이다. 티어와 디비전별로 플레이어 고유 아이디인 Puuid를 205개씩 총 6,355개를 수집하고 Puuid별로 그 플레이어의 매치 정보 식별값에 해당하는 Match ID를 최대 100개씩 수집하였다. 이를 이용해 게임 플레이 데이터인 Match데이터를 수집하였다. Puuid별로 Match데이터의 타임스탬프를 기반으로 다음 게임까지의 휴식 시간을 의미하는 Gap hours 변수를 생성하여 이탈 데이터를 구축하였다. Match데이터와 이탈 데이터를 병합하여 통합 데이터셋을 구축하였고 분석의 일관성을 위해 5대5 팀대전 모드인 CLASSIC 모드만 필터링하였다. 플레이어별로 시간순 정렬 후, WINDOW_SIZE=3으로 하여 최근 3경기 기록을 볼 수 있도록 구축하였다.

본 연구는 전체 유저 중 상위 약 28.6%에 해당하는 챌린저부터 플래티넘 티어를 상위티어로 정의하였고 골드부터 아이언 티어를 하위티어로 정의하였다[9]. 구축한 데이터셋을 전체, 상위, 하위티어로 나누어 각각 Train데이터셋과 Test데이터셋을 8:2로 분할하였다. 최종 데이터셋은 표 2와 같다.

Table 2.

Stratified dataset by tier

3.3 변수 선정

입력 변수는 세 가지 범주로 분류하여 선정하였다. 선행 연구들에서 사용된 단순 수치 변수는 표 3과 같고 제안 변수인 상대적 성취도 변수와 심리적 행동 패턴 변수는 표 4와 같다.

Table 3.

Simple numerical variables

Table 4.

Proposed variables

3.4 실험 모델

베이스 모델과 제안 모델로 나누어 실험하였다. 베이스 모델에는 단순 수치 변수만 사용하였고 제안 모델에는 단순 수치 변수와 상대적 성취도 변수, 심리적 행동 패턴 변수를 사용하였다. 예측 성능을 검증하기 위해 로지스틱 회귀(Logistic Regression), 의사결정나무(Decision Tree), 랜덤 포레스트(Random Forest), 그라디언트 부스팅(Gradient Boosting), 그리고 XGBoost를 포함한 5가지 머신러닝 알고리즘을 이용하여 비교 분석하였다. 각 모델의 하이퍼파라미터는 e스포츠 로그 데이터 특유의 다양한 노이즈(예: 의도적 트롤링, 네트워크 문제, 부계정에 의한 데이터 왜곡 등)로 인한 과적합을 방지하기 위해 보수적으로 설정하였다(표 5).

Table 5.

Hyperparameter settings for each model

4.1 제안 변수의 통계적 타당성 및 신뢰성

본 연구에서 제안한 변수 9개의 타당성과 신뢰성을 보이기 위해 다중공선성과 독립표본 T-검정, 로지스틱 회귀분석의 유의확률, 오즈비를 분석하였다.

일반적으로 VIF값이 5미만일 경우 다중공선성 문제가 없다고 본다. 검증 결과, 모든 제안 변수의 VIF 수치가 1.0~2.0 사이였다. 또한 다변량 로지스틱 회귀분석 결과 모든 제안 변수의 유의확률이 0.001미만(p<0.001)으로 도출되었다. 상대적 성취도 변수의 오즈비를 분석한 결과, lane_carry_gap을 제외한 변수들은 모두 1이상으로 도출되어, 맞라이너 대비 우위를 점할수록 승리 확률이 크게 증가함을 확인하였다. 심리적 행동 패턴 변수인 Tilt_Impact는 오즈비가 0.877으로 나타나, 틸트상태일수록 승리 확률이 감소함을 증명하였다.

한편, Role_Instability와 RageQueue의 경우 두가지 측면에서 분석하였다. 승패 집단 간 단변량 분석(독립표본 T-test) 결과, 두 변수의 T값은 각각 –6.786, -7.948로 패배 집단의 평균이 유의미하게 높았다. 이는 선행연구의 가설과 일치한다. 그러나 모든 변수를 포함된 다변량 로지스틱 회귀분석에서는 오즈비가 각각 1.044, 1.100으로 도출되어, 오히려 승리 확률에 미세하게 긍정적인 영향을 미치는 것으로 나타났다. lane_carry_gap 변수 역시 단변량 분석에서는 T값이 179.63이었으나 다변량 모델에서는 오즈비가 0.626로 역전되는 유사한 양상을 보였다.

4.2 티어별 성능평가

표 6는 티어별 5가지 분류 알고리즘의 성능 비교 결과를 나타낸다. 실험 결과 XGBoost가 가장 우수한 성능을 보여 이를 중심으로 분석해보았다. 전체 티어 데이터셋 기준, 베이스 모델의 정확도는 81.8%에 그쳤으나, 제안 모델은 88.1%로 6.3%p 향상되었다. F1-Score 또한 82.2%에서 88.4%로 상승하며, 상대적 성취도 및 심리 변수의 추가가 모델의 예측력을 크게 강화함을 입증하였다. 티어별 분석에서도 제안 모델의 우위가 일관되게 확인되었다. 상위 티어에서는 정확도가 베이스 모델 대비 5.7% 상승하였고 특히 플레이 기복이 심한 하위 티어에서는 정확도가 6.6% 상승하였다. 결과적으로 제안 모델은 베이스 모델보다 우수한 성능을 보였으며 단순 수치 지표를 넘어 플레이어의 상대적 성취도와 심리 상태를 변수화하는 것이 승패 예측의 성능을 높였다.

Table 6.

Tier-based performance evaluation

4.3 티어별 변수 중요도 분석

XGBoost 모델의 SHAP Value 분석 결과는 표 7과 같으며, 전체 티어와 상위, 하위 티어 모두 승패를 결정짓는 가장 중요한 변수는 바텀 라인의 상대적 성취도(Bot_lane_carry_gap)였다. 이는 해당 포지션의 영향력이 중요한 최근 메타와 일치하였다.

Table 7.

Tier-based SHAP value analysis

전체 티어에선 deaths(0.820)가 2위로 생존이 승리에서 중요함을 확인하였다. 심리적 행동 패턴 변수는 모두 하위권에 위치하였는데 그중 Tilt_Impact 변수가 전체 17개 변수 중 15위(0.059)를 기록하였다.

상위 티어와 하위 티어의 변수 중요도를 비교해 본 결과, 1위는 같았지만 차순위 요인에서 차이를 보였고 특히 상위 티어는 assists가 3위를 기록하며 팀원 간의 연계가 중요함을 나타냈다. 심리적 행동 패턴 변수는 상위보다 하위 티어에서 SHAP Value가 상승했다. Tilt_Impact 변수는 하위 티어에서 13위로 상승하며 visionScore 변수를 앞서는 현상이 나타났다. 이는 하위 티어일수록 개인의 심리적 행동 패턴이 중요한 변수로 작용함을 나타낸다.