Repositorio GitHub
CódigoCodigo fuente, estructura del proyecto y documentacion tecnica disponible en GitHub.
AcadémicoData ScienceFinalizado
LoL Win Prediction
Dossier de machine learning competitivo
Daniel Garcia NiloDossier del proyecto
PythonPandasscikit-learnXGBoostMatplotlibJupyter
Descripción
Qué es y qué resuelve
Modelo de machine learning para predecir el equipo ganador en partidas de League of Legends usando datos reales.
Proyecto de Data Science con foco en limpieza de datos, feature engineering, prevencion de data leakage, entrenamiento de modelos y analisis de resultados. La pagina esta lista para incorporar notebook, dataset documentado, metricas, graficas y conclusiones.
Prediccion de victoria en League of Legends
League of Legends genera mucha informacion estrategica por partida: objetivos, momentos clave, composicion de equipos y estadisticas. El proyecto aprovecha esa estructura para predecir el equipo ganador.
Modelo predictivo realista y explicable
El objetivo fue construir un modelo capaz de estimar que equipo ganara una partida usando informacion estrategica disponible antes de que la partida este decidida, ademas de entender cuando falla el modelo y por que.
Mas de 180.000 partidas y dataset final por partida
- matches.csv: informacion general de cada partida
- participants.csv: jugadores, campeones y equipo
- champs.csv: informacion de mas de 150 campeones
- teamstats.csv: kills, muertes, asistencias, oro y minions
- stats1.csv y stats2.csv: objetivos y eventos de partida
- lol_final.csv: dataset construido con una fila por partida y 60 columnas
Variables estrategicas y prevencion de leakage
- Variables de primeras acciones: first blood, primera torre, primer dragon, primer baron
- Variables de objetivos totales por equipo
- Estadisticas por equipo y diferencias entre equipos
- Variables de composicion mediante target encoding
- Eliminacion de identificadores, resultados duplicados y variables que revelan directamente el resultado final
Comparacion, optimizacion e interpretacion
La presentacion documenta una particion train/test 80/20, comparacion de modelos de clasificacion y seleccion de XGBoost como modelo final.
La optimizacion usa Randomized Search con validacion cruzada CV = 3 y ROC-AUC como criterio principal.
- Accuracy
- F1-score
- ROC-AUC
- Matriz de confusion
Equilibrio entre rendimiento y generalizacion
El proyecto concluye que XGBoost ofrece el mejor equilibrio entre rendimiento y generalizacion. Las variables creadas de composicion, fases y late game aportan valor real al enfoque estrategico y explicable.
Recursos
Archivos del proyecto
Documentación, notebooks, entregables y archivos organizados como dossier consultable.
Presentacion del proyecto
PresentaciónPresentacion explicativa del modelo, enfoque y resultados del proyecto.
Capturas y visuales
Estructura del proyecto
La presentacion organiza el proyecto desde exploracion y feature engineering hasta comparacion, optimizacion e interpretacion.
Comparacion y validacion
Validacion train/test 80/20 y comparacion de modelos de clasificacion.
Analisis de errores
Seccion dedicada a entender en que casos falla el modelo.
Nota
La pagina no muestra metricas numericas finales porque la extraccion textual de la presentacion no proporciona esos valores de forma verificable.
La informacion ampliada procede de la presentacion PDF incluida como recurso.