Dissertação

Churn Prediction within a Competitive Game EVALUATED

As desistências são um problema crucial em jogos online de competição. Vários estudos confirmam a eficácia de modelos de classificação na sua detecção. O objectivo deste trabalho é comparar o desempenho de cinco modelos, nomeadamente árvores de decisão, árvores de inferência condicionais, máquina de vectores de suporte (SVM), regressões logísticas e redes bayesianas. Todos estes modelos foram aplicados a classes desequilibradas, equilibradas e ainda a dados sem outliers com as classes equilibradas. Foi realizada uma identificação multivariada de outliers, usando análise de componentes principais, bem como distâncias robustas e de Mahalanobis, após o cálculo de estimativas de determinante de mínima covariância (DMC). Que a autora tenha conhecimento, esta identificação não foi previamente utilizada neste tipo de problema. Foram definidos dois tipos de actividade: I - considera os tempos de ataque e ganho de experiência; II - considera, para além dos referidos, também os tempos de defesa. Em geral, a actividade II obteve melhores resultados, indicando que as defesas devem ser consideradas no jogo em análise (World War Online). A hipótese de que o desempenho iria melhorar ao remover outliers e ao balancear os dados foi confirmada. SVM e árvores de decisão foram os modelos com melhor desempenho em ambos os tipos de actividade. Porém árvores de inferência condicionais e redes bayesianas não devem ser excluídas para a actividade I. A regressão logística foi consistentemente o modelo com pior desempenho. Com base nos resultados obtidos, seria interessante considerar defesas, a remoção de outliers e o balanceamento nas próximas temporadas do jogo.
Detecção robusta de outliers, Predição de Churn, Jogos Online, Classificação

Janeiro 29, 2021, 14:30

Documentos da dissertação ainda não disponíveis publicamente

Orientação

ORIENTADOR

Jorge Daniel Machado Vila Boa

Chilltime Lda

ORIENTADOR

Maria da Conceição Esperança Amado

Departamento de Matemática (DM)

Professor Auxiliar