Prevendo Vitórias em League of Legends com Regressão Logística Múltipla 🏆🎮

Este projeto utiliza Regressão Logística Múltipla para prever a probabilidade de vitória de um time no jogo League of Legends (LoL), utilizando campeões da Season 11. As previsões são baseadas na composição de 5 campeões para cada time e no tempo total da partida.

📂 Arquivos Principais

• s11.csv: Dataset contendo os dados das partidas, incluindo a composição de campeões e o resultado da partida.
• Sorted_Champions.csv: Lista de todos os campeões da Season 11, ordenados alfabeticamente.

🚀 Funcionamento do Projeto

Etapas do Desenvolvimento:

1. Carregamento e Pré-processamento: Os dados são carregados a partir do arquivo s11.csv, e a duração da partida é convertida para minutos. A composição dos times é codificada usando one-hot encoding.

2. Treinamento do Modelo: Utiliza-se o algoritmo de Regressão Logística para treinar o modelo, ajustando pesos para balancear as classes (vitória/derrota).

3. Predição e Visualização: O modelo prevê a probabilidade de vitória para o Time 1 e o Time 2 com base na composição e tempo de jogo, exibindo um gráfico com as probabilidades.

4. Importância das Features: Um gráfico adicional é gerado mostrando as 10 features mais importantes que influenciam o resultado da partida.

🧠 Tecnologias Utilizadas

• Python: Para processamento de dados e implementação do modelo.
• Bibliotecas:
  • pandas e numpy para manipulação dos dados.
  • LogisticRegression da scikit-learn para o modelo de classificação.
  • matplotlib e seaborn para visualização dos gráficos.

📊 Gráficos Gerados

1. Probabilidade de Vitória 🎯

Este gráfico exibe a composição dos times e as probabilidades previstas de vitória. O exemplo abaixo usa as seguintes composições:

• Time 1: Elise, Darius, Yasuo, Blitzcrank, Ashe
• Time 2: Cassiopeia, Draven, Aatrox, Aurelion Sol, Ahri

Com uma duração de jogo de 30 minutos, o gráfico mostra a chance de vitória de cada time.

2. Importância das Features 🛠️

Aqui estão as 10 features mais importantes que influenciam o modelo. O tempo de jogo e alguns campeões se destacam como os maiores contribuintes para a probabilidade de vitória.

📈 Acurácia do Modelo

Nos testes realizados, o modelo alcançou uma acurácia de 59.70%, um resultado promissor dado o desequilíbrio nos dados de vitória/derrota.

🤝 Contribuições

Contribuições são bem-vindas! Sinta-se à vontade para abrir issues ou enviar pull requests.

🏅 Créditos

Este projeto foi desenvolvido com a colaboração de uma equipe de grandes invocadores! 🌟

• Caio Silveira Guimarães 🧠✨
• Gustavo Martins Gripaldi 🎮💡
• Giovanna Monteiro Bispo 🔍🎯
• Mariana Monteiro Bispo 💻🔥
• Mayron Malaquias Oliveira ⚡🎨

Cada membro contribuiu com seu talento e habilidades, garantindo que este projeto fosse não apenas tecnicamente preciso, mas também inovador e divertido!

---