冰球转会专题DOTA2游泳数据统计王者荣耀马拉松球星动态

　　2) 在第二主因子F2主要由KDA、胜率和出场次数决定,代表了英雄的强势和弱势情况,以及玩家

　　们对强势英雄更加热衷的状态。总体来说,第二主成分代表了英雄在游戏版本的强弱势情况。

　　1) 从描述性分析中可以得出,为保证游戏的公平性,游戏官方要保证每个英雄的胜率都差不多,维

　　持在50%左右;也要保证每个英雄不会过于强势或劣势,所以各个英雄的KDA的方差也会很小。

　　由上图9可以得出结论:KMO的值为0.811,大于阈值0.5,所以说明了变量之间是存在相关性的,符合要求;Bartlett球形检验的结果,在这里只需要看显著性这一项,其值为0.000,小于0.05。两个结果均说明了该数据是可以进行因子分析的。本文主要采取主成分法提取公共因子。

　　2) 其余7个指标的方差还是较大的,这说明该游戏中不同英雄的差异性还是比较大的。这体现出了

　　聚类分析是一种建立分类的多元统计分析方法,能将一批样本或指标数据根据其特征,按照在性质上的亲疏程度在没有先验知识的情况下进行自动分类,产生多个分类结果。同类内部个体特征具有相似性,不同类间个体特征的差异性较大[1][2]。

　　由下图10可以得出结论:前2个主成分对变量的表达已达到了70%左右,可做为影响各指标的公共因子,完全可以用于后面相关的分析。

　　4) 通过分析可以看出,根据第一类的指标对英雄进行K-均值聚类的结果和实际游戏中英雄的特点是

　　Dota2 (Defense of the Ancients 2)是一个热门的moba 类游戏,双方各5人,通过对游戏角色的控制,互相间配合取得游戏的胜利。Dota2中可使用的英雄众多,共100多位,他们的技能、属性、定位等各不相同。本文试通过对这些英雄的数据进行分析,来比较分析结果是否和我们对这些英雄的特点的认知相吻合。

　　根据指标的相关性对指标进行分类可以分为两类,第一类为:经济、正补、经验、英雄伤害、建筑伤害、反补,第二类为:KDA、胜率、出场次数。

　　第一大类可以看成是与玩家获取的金钱和经验直接相关的指标,可以看成英雄发育程度,但是不对游戏胜利有直接影响。

　　而第二大类中与胜率绑定在一起的有KDA和出场次数,这个指标的高低可以反应在游戏中玩家所处的状态,KDA越高对游戏局势支援程度越高,获胜概率也就越大;而出场次数和胜率间的关系说明,英雄胜率越高,玩家越愿意选择玩这个英雄,也就是我们常说的版本热门英雄。

　　2) 第四类中各个指标值都是相对较高的,通过分析其中的英雄可以发现,第四类中的英雄大都是打

　　1号位的较多,可以理解为主力输出。这些英雄在对局中拿经济最多的经济,通常是核心输出位置。

　　3) 第一类中只有两个英雄,它们的特点是对英雄的伤害极高,但对建筑的伤害很低。这两个英雄为

　　Zous和Tinker,他们的主要特点都是在队伍中扮演着强力输出以及Ganker (指负责偷袭抓人的队友)的角色,属于那种到处游走拿人头的人。所以,他们经常会对敌方英雄造成巨额伤害,却又很少进行推塔。

　　1) 在第一主因子F1主要由经济、经验、英雄伤害、建筑伤害、反补、正补6个指标决定。这6个指

　　标代表了英雄在游戏中的发育情况,在游戏中英雄绝大多数的行为都与这两个系数直接相关,对敌方单位和中立单位的击杀都能够同时带来经济和经验的提高,这两个指标越高也能代表英雄在游戏中获得的资源越多;总体来说,第一主成分代表了英雄在游戏中的发育情况。

　　1) 第二至第五这四类中的英雄的共性还是比较明显的,比如第三类中各个指标值都是相对较低的,

　　通过分析其中的英雄可以发现,第三类中的英雄大都是打5号位的较多,可以理解为辅助。这些英雄在对局中很少拿经济,对敌方的伤害也较低,主要提供对团队的保护作用。

　　在系统聚类的基础上,我们根据这两大类指标分别对英雄进行聚类。为了后面对一些英雄进行代表性的分析,不妨选取50位英雄作为样本进行K-均值聚类[3]。

　　从上文的聚类分析结果来看,所选取的9个指标存在一定的相关性,下面进行因子分析,提取影响9个指标值的公共因子,我们称为主因子。SPSS分析数据结果如下:

　　由上图8可以得出结论:各指标之间还是有比较大的相关性的,比如经济和正补,经济和经验。

　　2) 通过聚类分析,将英雄的9个指标划分为两个类别。第一类是游戏中英雄的发育程度相关指标。

　　3) 通过K均值聚类分析的结果与实际中的英雄特性的比较,分析出K均值聚类的结果是比较合理的。

　　1) 第一类中各个指标值都是相对较高的,通过分析其中的英雄可以发现,第一类中的英雄大都是那种版本强势的英雄。在经过游戏官方的版本更新后,这些英雄的某些属性得到提高,因此有着较高的胜率和出场率。

　　2) 第三类中各个指标值都是最低的,通过分析其中的英雄可以发现,第四类中的英雄都是版本弱势英雄。因此,拥有最低的KDA,胜率和出场率就是很合理的了。

　　本文数据来源于max网站,获取了Dota2游戏中116个英雄的9个指标的数据,部分样本数据如下图1:

　　对游戏中116个英雄的9个指标进行描述性统计分析。这9种指标分别为KDA (Kill Death Assist),胜率,出场次数,经济(每分钟),经验(每分钟),英雄伤害(每分钟),建筑伤害(每分钟),正补(每10分钟),反补(整场),分析的内容包括范围、最小值、最大值、均值和方差。如下表所示:

　　3) 第四类中只有一个英雄Gudge,它的特点很明显,有着极高的出场率,而且胜率也不低。这与该英雄的特性有关:Gudge的特有神技钩子决定了他的高出场率,它最大的作用在于战场的分割与救人,对团战胜败有极高的决定作用。其次,这个技能有很强的娱乐性,适合各个级别的玩家使用。

　　4) 通过分析可以看出,根据第二类的指标对英雄进行K均值聚类的结果是也是符合游戏实际的。4. 因子分析

　　Dota2是一个热门的moba类游戏,通过对游戏角色的控制,互相间配合取得游戏的胜利,深受游戏玩家喜欢。

　　本文选取了游戏中的116个英雄,9项相关指标作为样本,利用SPSS统计软件对英雄数据进行统计分析。首先,使用系统聚类法分析各个指标间的关联程度,将指标分为两大类。然后,在不同类指标下分别对英雄进行k均值聚类,并分析了其中一些英雄的特点。最后,使用因子分析的方法,找到两个影响9个指标的主因子。

　　1) KDA (KDA = (杀敌数 助攻数)/死亡次数)和胜率这两个Байду номын сангаас标的方差比较小,最大值和最小值的差异也比较小。这是符合游戏规则的设定的,因为要保证游戏的公平性,所以游戏官方要保证每个英雄

　　的胜率都差不多,维持在50%左右;也要保证每个英雄不会过于强势或劣势,所以各个英雄的KDA的方差也会很小。