João Pedro de Assis Patricio Borges*
joaopedroqnd@gmail.com
André Ribeiro da Silva**
andreribeiro@unb.br

*Bacharel em Ciência da Computação

Pós graduando em Ciência de Dados e Machine Learning

Palestrante na Campus Party BSB e Campus Party GO.

Pós-graduação Lato Sensu - Especialização, Governança Pública em Saúde

Universidade de Brasília (UNB)

Pós-graduação Lato Sensu, Ciência de Dados e Machine Learning (UNB)

Licenciatura, Ciência da Computação

Bacharel em Ciência da Computação

Centro Universitário de Brasília (UniCEUB)

**Educador Físico, Pós-Doutor em Ciências do Comportamento

Professor e Pesquisador na Universidade de Brasília (UNB)

(Brasil)

Recepción: 19/05/2025 - Aceptación: 11/11/2025

1ª Revisión: 05/11/2025 - 2ª Revisión: 06/11/2025

Documento acessível. Lei N° 26.653. WCAG 2.0

Cita sugerida: Borges, J.P. de A.P., e Silva, A.R. da (2026). Previsão de Ouro em partidas de League of Legends. Análise de variáveis econômicas. Lecturas: Educación Física y Deportes, 30(332), 54-72. https://doi.org/10.46642/efd.v30i332.8387

 

Resumo

    Essa pesquisa faz uso de dados de partidas do cenário competitivo de League of Legends no Brasil, de forma a realizar uma previsão da quantidade total de ouro gerada, tal previsão junto a uma análise exploratória é usada para aferir o uso do valor total de ouro como métrica de eficiência dos jogadores, usando dados dos times presentes no campeonato e seus jogadores. Através de uma análise exploratória, analisando correlações entre as variáveis e também a aplicação do algoritmo de regressão de mínimos quadrados ordinários, o objetivo deste trabalho é realizar uma regressão linear a fim de verificar a importância das variáveis: kills, assists, minionskills, monsterkills e towers, na obtenção de ouro durante as partidas. São identificadas nesse estudo relações lineares e não lineares para determinadas variáveis selecionadas, separadas entre os dados dos times de forma agregada e dados dos jogadores, divididos de acordo com a posição em que cada um joga para prever a quantidade de ouro.

    Unitermos: e-Sports analytics. Aprendizado de máquina. Mineração de dados. e-Sports.

 

Abstract

    This research uses data from competitive League of Legends matches in Brazil to predict the total amount of gold generated. This prediction, along with an exploratory analysis, is used to assess the total gold value as a metric for player efficiency, leveraging data from the teams and their players participating in the championship. Through an exploratory analysis, examining correlations between variables and applying the Ordinary Least Squares (OLS) regression algorithm, the objective of this work is to perform a linear regression to verify the importance of variables such as kills, assists, minion kills, monster kills, and towers in obtaining gold during matches. This study identifies linear and non-linear relationships for certain selected variables, categorized by aggregated team data and individual player data (divided by their respective in-game roles) to predict gold earned.

    Keywords: e-Sports analytics. Machine learning. Data mining. e-Sports.

 

Resumen

    Esta investigación utiliza datos de partidas competitivas de League of Legends en Brasil para predecir la cantidad total de oro generado. Esta predicción, junto con un análisis exploratorio, se utiliza para evaluar el uso del valor total del oro como métrica de la eficiencia de los jugadores, utilizando datos de los equipos presentes en el campeonato y sus jugadores. Mediante el análisis exploratorio, examinando las correlaciones entre variables y aplicando el algoritmo de regresión de mínimos cuadrados ordinarios, el objetivo de este trabajo es realizar una regresión lineal para verificar la importancia de las variables: bajas, asistencias, habilidades de súbditos, bajas de monstruos y torres en la obtención de oro durante las partidas. En este estudio, se identifican relaciones lineales y no lineales para ciertas variables seleccionadas, separadas entre datos agregados de equipos y datos de jugadores, divididos según la posición de cada jugador, para predecir la cantidad de oro.

    Palabras clave: Análisis de e-Sports. Aprendizaje automático. Minería de datos. e-Sports.

 

Lecturas: Educación Física y Deportes, Vol. 30, Núm. 332, Ene. (2026)

---

 

Introdução 

 

    Esportes eletrônicos, correspondem a um grande parcela da indústria de videogames correspondente a 443 milhões em 2019, com transmissões que se equiparam a esportes convencionais. A pesquisa, eSports: a new industry, também indicou que 198 milhões correspondiam apenas a entusiastas do esports (Block, e Haack, 2021). Com diversas categorias de jogos: MOBA, card games, e FPS, cada jogo possui suas particularidades e diferentes estratégias a serem exploradas, e também uma enorme variação de dados e formas de analisar. O conjunto de dados, junto a interpretações estatísticas ou associações entre variáveis que se complementam, exemplo: informações num período de tempo ou estatísticas descritivas, constituem o que é chamado de analytics. (Rubleske, Fletcher, e Westerfeld, 2020)

 

    A tarefa mais comum dentre os artigos pesquisados, são relacionados à previsão do resultado de partidas de jogos eletrônicos com diversas abordagens: Hodge et al. (2019) utilizam dados extraídos de momentos antes e durante a partida em jogos profissionais de Dota 2, enquanto a pesquisa de Ani et al. (2019) usa dados de partidas de League of Legends, seguindo o mesmo período de extração dos dados, incluindo dados de antes e de durante a partida.

 

    Segundo Cruz et al. (2021), entender melhor quais as características mais relevantes, é de muita importância para a tarefa de previsão do resultado das partidas. De acordo com as pesquisas de Cruz et al. (2021) e Bailey (2020), o ouro é umas das variáveis mais influentes na predição das partidas, Utilizando um modelo de árvore de decisão é possível chegar a uma acurácia de 73,47% usando apenas variáveis econômicas (Cruz et al., 2021). A compreensão do ouro como um indicador da eficiência do jogador pode ser interessante para resolver questões apontadas nos estudos citados. Atualmente em transmissões de campeonatos e no próprio jogo, uma métrica bastante utilizada é o KDA, que corresponde a soma de kills (eliminações) e assists (assistências), divididos pela quantidade de deaths (mortes), tal métrica é utilizada de maneira uniforme para aferir a competência dos jogadores em cada posição. Tuzcu et al. (2024), apresenta um estudo de diversos algoritmos para classificação de partidas de LoL, com uma ênfase na seleção de features da partida que mais influenciam nos resultados, dentre as técnicas testadas, a regressão logística apresentou 98% de acurácia, após a seleção das variáveis mais influentes.

 

    Em decorrência dos estudos realizados sobre a bibliografia referente a e-sports analytics, o objetivo deste trabalho é realizar uma regressão linear a fim de verificar a importância das variáveis: kills, assists, minionskills, monsterkills e towers, na obtenção de ouro durante as partidas. Essa previsão foi feita levando em consideração o time como um todo e os jogadores de forma individual, levando em consideração o valor de R² para constatar a eficiência da previsão, também foram utilizadas as observações feitas na etapa de exploração dos dados.

 

    Para alcançar esse objetivo, procedeu se da seguinte maneira: download das bases de dados encontradas no site Oracle Elixir (2023), seleção das variáveis mais relevantes para a pesquisa, desenvolvimento de código em Python e utilização das bibliotecas: Statsmodel, Pandas, Numpy, Seaborn e Matplotlib.

 

E-sports analytics 

 

    O uso de analytics em esportes convencionais é uma tendência que vem atraindo o interesse de: times, associações e treinadores, pesquisas atuais mostram que cada vez mais esses profissionais recorrem a análises de dados para fundamentar suas decisões e tomar ações mais precisas. (Singh, 2020)

 

    Nos esporte eletrônicos, a aplicação de analytics oferece um amplo arcabouço de possibilidades: performance de jogadores, performance de times, análise de itens para builds e análise de personagens, são algumas das possíveis aplicações. (Rubleske, Fletcher, e Westerfeld, 2020)

 

    Bahrololloomi et al. (2022) propõem uma abordagem baseada na performance de cada jogador em um time, levando em consideração a sua posição, conseguindo chegar a uma acurácia de 86% ao prever o time ganhador da partida. A tarefa de previsão de partidas é uma das mais frequentes no campo de e-sports analytics, como identificado nas pesquisas da bibliografia: Silva, Pappa, e Chaimowicz (2018), faz uso de redes neurais recorrentes, para realizar a previsão do resultado de partidas de League of Legends, Hodge et al. (2019), utiliza os algoritmos: Random Forest, Logistic Regression e LightGBM para prever o resultados de partidas de DOTA 2, utilizando dados de jogadores profissionais.

 

    Outras questões do jogo também são abordadas. Araujo, Rios, e Parra (2019) desenvolvem e sua pesquisa um sistema de recomendação que auxilia jogadores a selecionar os itens mais necessários para seus personagens em partidas de League of Legends.

 

    Em League of Legends (LoL) muito da estratégia gira em torno de evoluir o personagem do jogador, tanto com experiência como com itens mais fortes, durante o jogo (Mora-Cantallops, e Sicilia, 2018). A partida é disputada entre duas equipes, cada uma composta por cinco jogadores, reunidos a partir de um grande grupo de jogadores disponíveis. As partidas duram cerca de 20-50 minutos (Kou, e Nardi, 2014), cada invocador (jogador) seleciona um campeão que será seu personagem até o final do jogo. A maioria dos campeões preenche exatamente uma função no time, mais especificamente no LoL é dividido em ADC (principal fonte de dano), suporte (cura e fornecimento de utilidade), Caçador (explorando terreno e auxiliando rotas), Tanque (lutador da linha de frente) e faixa intermediária (pressionando os inimigos no meio do mapa) (Eaton, Mendonça, e Sangster, 2018). Finalmente, a posição determina em que parte do mapa o invocador jogará com o campeão escolhido durante uma partida. No entanto, enquanto um campeão é fixado para o jogo inteiro e da mesma forma o papel, as posições são de fato definidas no início, mas podem sofrer alterações durante o curso de uma partida. (Bahrololloomi et al., 2022)

 

Fonte: Eaton, Mendonça, e Sangster (2018, p. 131)

 

    Na Figura 1 encontram as rotas presentes no mapa de League of Legends, os times se enfrentam nas rotas enquanto defendem suas bases. O time azul tem sua base localizada no canto inferior esquerdo do mapa e o time vermelho se localiza no canto superior direito.

 

    As rotas no jogo League of Legends são distribuídas e estruturadas da seguinte maneira:

• Top: Este jogador posiciona-se na rota superior do mapa, conhecida como Top Lane. O papel do Top Laner é geralmente assumido por campeões que têm um bom desempenho quando lutam de forma isolada, pois é um papel tipicamente solitário. Campeões robustos e resilientes que podem suportar e conduzir batalhas de longa duração são comumente encontrados nesta rota.

• Caçador: O Caçador, ou Jungler, tem a floresta, ou "jungle", do mapa como sua principal área de atuação. Este jogador não se limita a uma rota específica, e sim circula pelo mapa, auxiliando as demais rotas quando necessário. Sua principal responsabilidade é eliminar os monstros neutros espalhados pela selva para ganhar experiência e recursos, e realizar ganks (ataques surpresa) para ajudar as outras rotas.

• Mid: O Mid Laner encontra-se na rota central do mapa, que é a via mais direta até a base inimiga. Por ser a rota mais curta, é também a mais disputada. O jogador desta posição normalmente usa campeões com alta capacidade de causar danos rápidos, como magos ou assassinos. O Mid Laner precisa ter uma boa percepção do jogo como um todo, já que sua posição central permite influenciar facilmente todas as outras rotas.

• ADC: O ADC, ou Atirador, é normalmente posicionado na rota inferior do mapa, conhecida como Bot Lane. Este jogador geralmente seleciona campeões que têm alta capacidade de dano no final do jogo, mas precisam de tempo para evoluir. Por isso, o ADC raramente está sozinho nesta rota, compartilhando a posição com um jogador de suporte que o auxilia durante as fases iniciais do jogo.

• Suporte: O jogador de suporte também ocupa a rota inferior do mapa, juntamente com o ADC. O suporte é responsável por proteger o ADC, ajudá-lo a ganhar recursos e prover visão do mapa para a equipe. Suportes podem variar de campeões com habilidades defensivas e de cura, para aqueles com alta capacidade de controle de multidão para auxiliar nas lutas em equipe.

    O objetivo final de uma partida é destruir o Nexus (base) inimigo, para isso os invocadores precisam acumular ouro, a fim de conseguir itens que os tornem mais fortes seu oponente, a medida que ficam mais fortes são capazes de destruir as estruturas que ficam em seu caminho até o nexus, tais estruturas são chamadas de tower (torres) e inibidores (estruturas que fazem surgir minions que auxiliam na destruição das torres). Durante a partida existem minions que avançam em todas as rotas, exceto a jungle, esses minions (pequenas criaturas que avançam no nas rotas e são capazes de destruir estruturas) concedem ouro ao serem eliminados e constituem boa parte da receita de ouro dos jogadores que se posicionam no top, Mid e Bot, o ato de eliminar minions também é chamado de farm.

 

    Além do farm dos minions, é possível ganhar ouro eliminando as torres inimigas, eliminando campeões inimigos, assistindo aliados na eliminação de campeões inimigos e eliminando monstros da jungle.

 

Metodologia 

 

    Utilizou se de uma metodologia quantitativa, de analise preditiva e correlação, com dados ex-post facto de partidas de League of Legends. Os dados utilizados na pesquisa foram retirados de partidas realizadas no campeonato brasileiro de League of Legends (CBLOL), foi feito o download dos dados do site Oracle Elixir (2023) e suas informações correspondem ao período de 2018 e 2022, o conjunto de dados foi separado em dois conjuntos distintos, o primeiro contendo informações agregadas das partidas representando cada um dos times que se enfrentaram, o segundo contendo as informações dos jogadores, separados de acordo com sua posição dentro da partida.

 

Tabela 1. Conjunto de dados representando os times

Fonte: Produzido pelos autores do trabalho com os dados coletados em pesquisa

 

Tabela 2. Primeiras 5 linhas do dataset dos jogadores (Jungle)

Fonte: Produzido pelos autores do trabalho com os dados coletados em pesquisa

 

    Os dados da Tabela 1 possuem uma coluna a mais em relação a Tabela 2, essa coluna representa o total de torres destruídas por cada time.

 

Resultados 

 

Exploração dos dados 

 

    Os dados dos times possuem 2098 linhas, cada linha representa uma partida disputada pelo time. Dentre 30 colunas, foram selecionadas as features: kills, Assists, minionskills, monsterkills e towers, que são as variáveis independentes, ou seja, as que foram utilizadas para prever a variável totalgold.

• Kills: O total de vezes que o time conseguiu eliminar um dos personagens da equipe inimiga;

• Assists: O número de vezes que um personagem do mesmo time teve participação em umas das eliminações;

• minionskills: Quantidade de tropas eliminadas pelo time;

• monsterkills: Quantidade de monstros eliminados pelo time;

• towers: Quantidade de torres destruídas pelo time.

    O dataset com o posicionamento dos jogadores é estruturado de forma que cada linha representa um jogador de determinada posição, sendo elas: Top, Caçador, Mid, ADC e Suporte.

 

    A variável dependente, correspondente a variável totalgold, que também é a variável alvo da previsão, apresenta uma distribuição próxima de uma distribuição normal, apesar de possuir alguns outliers, valores que são mais distantes da média, que façam com que sua distribuição se estenda para a direita, os números mais altos podem ser explicados por serem de partidas que levaram mais tempo para se encerrar e com isso o acúmulo de ouro foi maior nesses casos.

 

    Para realizar a manipulação dos dados utilizou-se a linguagem de programação Python, juntamente com as bibliotecas: Pandas e Numpy, os DataFrames da biblioteca Pandas. Para o desenvolvimento foi escolhida a IDE Google Colab.

 

Tabela 3. Descrição das variáveis, dataset dos times

Fonte: Produzido pelos autores do trabalho com os dados coletados em pesquisa

 

    Apesar de alguns outliers, as médias e as medianas, possuem valores bem próximos, indicando uma baixa influência dos outliers na distribuição. Os valores do desvio padrão indicam uma baixa amplitude nos dados, mostrando que não possuem uma escala não distante entre seus quartis.

 

    Para a visualização dos dados foram utilizadas as bibliotecas: Seaborn e Matplotlib, ambas bibliotecas da linguagem de programação Python.

 

Fonte: Produzido pelos autores do trabalho com os dados coletados em pesquisa

 

    Já nos dados que representam as posições dos jogadores nas rotas, foram encontradas semelhanças entre as médias e medianas das rotas: Top, Mid, Jungle e Bot, porém os dados do Suporte possuem peculiaridades em relação aos demais, como mostrado na Figura 2.

 

Fonte: Produzido pelos autores do trabalho com os dados coletados em pesquisa

 

    Com relação a variável monsterkills, o Suporte apresenta o valor 0 para seus quartis e uma média de monstros eliminados igual a 0,451. Esses dados ajudam a evidenciar as particularidades dessa rota, que possui um padrão de jogo muito diferente demais rotas.

 

    Foram analisados índices de correlação entre as variáveis em todos os conjuntos dados, os valores das correlações corresponderam com as expectativas de cada posição, porém foi verificado um comportamento com baixa correlação e pouca linearidade ao analisar os dados da posição de suporte. É esperado que um suporte em uma partida não farm (elimine tropas na rota), e que seu acúmulo de ouro venha das assistências que consegue durante a partida, porém a correlação entre ouro e assistências não foi a maior dentre as variáveis avaliadas, de acordo com a Tabela 3.

 

    Com relação às demais posições e ao dataset de times, a maior correlação com a quantidade total de ouro foi a quantidade de minions eliminados, algo esperado para as posições: Top, Mid e ADC, já para o Jungle que passa sua maior parte do jogo eliminando monstros na região da floresta, é esperado que a quantidade de monstros eliminado tenha maior correlação com o ouro total.

 

Previsão 

 

    O modelo escolhido para realizar a previsão foi o modelo dos mínimos quadrados ordinários, que realiza uma regressão, e torna possível a análise da influência das variáveis independentes X para a previsão de uma variável dependente y. (Figueiredo Filho et al., 2011)

 

    As variáveis X utilizadas são: kills, assists, minioskills, monsterkills e towers, para predizer a variável dependente y que é o totalgold. A variável dependente representa o que será previsto e as variáveis independentes são as que podem auxiliar nessa previsão, atrás da forma como estão associadas a variável y.

 

    Foi utilizado a biblioteca Statsmodel, da linguagem de programação Python, através da seguinte importação, para exemplos de scripts consultar apêndice A.

 

Fonte: Produzido pelos autores do trabalho com os dados coletados em pesquisa

 

    Na fórmula, α representa uma constante, o valor de y quando X1 for igual a 0. O coeficiente β corresponde a mudança observada em y para quando houver mudança de uma unidade em X1, já a variável ϵ representa o erro ao predizer y a partir de X1.

 

    O modelo dos mínimos quadrados ordinários, através de uma reta que, minimizando a soma dos quadrados dos resíduos, será utilizada para resumir a relação linear entre y e Xi. (Krueger, e Lewis-Beck, 2008)

 

    O símbolo Xi representa as variáveis independentes que serão utilizadas, a fim de encontrar relações que possibilitem a previsão da variável dependente y, que possui esse nome por depender dos valores de Xi para ser encontrado.

 

Discussão 

 

Previsão de dados dos times 

 

    O dataset dos times foi separado em dois conjuntos, um para teste e outro para treino, 20% para teste e 80% para treino, correspondendo a 1678 registros para o conjunto de treino e 420 para o de teste. Serão utilizados os dados de treino para que o modelo aprenda com as relações existentes entre as variáveis, e o de teste para validar a qualidade da previsão.

 

    O valor de 0.961 do R² sugere que 96% da variação da variável dependente y, pode ser explicado pelas variações nas variáveis independentes X, mostrando uma alta linearidade entre essas variáveis, algo que está coerente com o que é esperado para esse conjunto de variáveis, consideradas as principais atividades na partida para se adquirir ouro.

 

Fonte: Produzido pelos autores do trabalho com os dados coletados em pesquisa

 

    Os valores P > | t | se encontram abaixo de 0,05, o que significa que as variáveis dependentes selecionadas, são estatisticamente significantes. O valor p de cada variável dependente testa a hipótese nula de que o coeficiente é igual a zero, ou seja, não é significativo para realizar a previsão. Um valor p menor que 0,05 indica que a hipótese nula pode ser rejeitada. Em outras palavras, uma variável dependente que tenha um valor menor que 0,05 será uma adição significativa ao modelo, porque as alterações no valor das variáveis independentes estão relacionadas às alterações na variável dependente.

 

Fonte: Produzido pelos autores do trabalho com os dados coletados em pesquisa

 

Previsão de dados dos jogadores 

 

    Para a previsão dos dados com informações individuais dos jogadores por posição, foi primeiro filtrado cada uma das posições, Top, Jungle, Mid, ADC e Suporte. Em cada uma das posições foi separado 80% dos dados para treino e 20% para teste, também foram criados gráficos para visualizar a dispersão das variáveis independentes em relação ao total de ouro.

 

    A primeira posição escolhida foi o Top, os jogadores dessa posição tendem a acumular farm eliminando tropas na rota em que se encontram, também são mais sujeitos a participarem de lutas 1 contra 1, por estarem sozinhos na rota contra seu oponente. Esse comportamento de jogo faz com que tenham um grande número de farme e também de kills, como é expressado nos dados analisados.

 

Fonte: Produzido pelos autores do trabalho com os dados coletados em pesquisa

 

    A linha projetada no gráfico de dispersão serve para melhor visualizar a linearidade entre os dados, pode-se notar que a quantidade de minions eliminados possui uma forte linearidade com a quantidade de ouro total, confirmando que o farm é a principal causa do acúmulo de ouro durante a partida. Com relação a quantidade de monstros eliminados, é possível visualizar o comportamento esperado dessa rota, que é uma menor quantidade de monstros eliminados, por se encontrar em uma rota específica, diferente da posição do Caçador.

 

Fonte: Produzido pelos autores do trabalho com os dados coletados em pesquisa

 

    Os gráficos de distribuição para a posição do caçador demonstraram bem sua forma de acumular ouro, eliminando monstros presentes no mapa, e alto volume de assistências, por se tratar de uma posição de auxiliar para outras rotas do mapa.

 

Fonte: Produzido pelos autores do trabalho com os dados coletados em pesquisa

 

    A posição do Mid apresenta um comportamento semelhante ao do Top, sendo uma posição onde o jogador encontra-se numa rota sozinho, e tendo como principal forma de acumular ouro a eliminação dos minions. Dentre as variáveis independentes a que apresenta maior correlação com o total de ouro é a quantidade de tropas eliminadas, com 0.8 de correlação.

 

    A rota inferior é a única posição que comporta dois jogadores, com tarefas distintas, o ADC por ser responsável geralmente por causar mais dano no time, possui um padrão de farme semelhante à das rotas do Top e Mid, sendo a variável minionskills a com maior linearidade em relação a variável totalgold, e tendo uma correlação de 0.78 entre as variáveis.

 

Fonte: Produzido pelos autores do trabalho com os dados coletados em pesquisa

 

    Diferente das outras rotas, o suporte apresenta o padrão mais atípico em relação às outras posições, em sua maioria não costumam eliminar tropas, para assim deixar que seu companheiro de rota acumule mais experiência e ouro. Apesar do que é esperado para essa rota, foi identificado uma correlação de 0.55 entre minionskills e totalgold, enquanto a correlação entre assists e totalgold é de apenas 0.47.

 

    A Figura 12 apresenta o valor de R² da previsão de cada uma das posições analisadas, esses valores indicam que o modelo atingiu uma bom número para as posições: Top, Mid e ADC, que possuem características semelhantes e um padrão determinado padrão de farme, caracterizado por uma relação bastante linear com a quantidade de ouro total.

 

    As posições do caçador e suporte apresentam um padrão menos linear, com relação às variáveis independentes selecionadas para a pesquisa, em específico o suporte possui diferentes métodos de aumentar sua quantidade de ouro total, geralmente através de itens específicos que o permitam acumular ouro sem a necessidade de eliminar tropas e monstros do mapa.

 

Fonte: Produzido pelos autores do trabalho com os dados coletados em pesquisa

 

    Os valores de R² obtidos para a classificação das rotas, indica que os dados usados para a previsão das posições: Top, Mid, ADC e Jungle estão bem ajustados à linha de regressão, já o valor para o Suporte é considerado ruim, pois um indica que os dados usados não estão bem ajustados a linha de regressão. Pode-se constatar visualmente ao analisar o gráfico de dispersão do Suporte, que seus dados não apresentam uma distribuição considerada linear com relação a variável totalgold.

 

Fonte: Produzido pelos autores do trabalho com os dados coletados em pesquisa

 

    O estudo permitiu compreender as diferenças nos padrões de jogabilidade dentre as diferentes posições em League of Legends. Mesmo com posições que possuem tarefas semelhantes como conseguir eliminações, assistências e farm, em contraponto existe a posição do Suporte que é encarregada de tarefas mais distintas, e possui um padrão de jogo que não é voltado para o acúmulo de ouro e sim para o auxílio das demais posições, em especial seu companheiro de rota, o ADC.

 

    O valor do R² obtido na previsão demonstra como as variáveis independentes escolhidas não refletem o desempenho de um suporte, pois se levadas essas informações em consideração não é possível obter um panorama completo do quão eficiente um suporte foi capaz de exercer sua função. Demonstrando uma limitação da pesquisa em relação as particularidades dessa posição.

 

    O ouro como indicador de eficiência dos jogadores pode contribuir para a avaliação de desempenho durante a partida; se levadas em consideração as variáveis mais relevantes, este trabalho pode constatar que para a posição de Suporte não se pode aferir o mesmo indicador utilizando as variáveis escolhidas na pesquisa, por se tratar de uma posição com padrão de jogo distinto e com objetivos diferentes dos demais.

 

Conclusão 

 

    Pode-se concluir que apesar de diferentes posições são encontrados padrões entre as rotas, como evidenciado pelos valores de R² próximos encontrados para: Top, Mid e ADC. Suas semelhanças em relação ao padrão de jogo e objetivos secundários como eliminar campeões e adquirir farm, fazem com que as variáveis X representem com certa exatidão sua eficiência em acumular ouro, o que contribui para que o time fique mais forte e consiga ganhar a partida.

 

    Para a posição do Jungle, apesar de um R² próximo das demais rotas, é possível chegar à conclusão que mais variáveis seriam necessárias para chegar a uma previsão com mais precisão, assim como para o Suporte, que obteve menor valor de R².

 

    Para aferir a eficiência do time em acúmulo de ouro, o valor de R² obtido é considerado satisfatório, e demonstra uma forte relação linear com o total de ouro conquistado ao final da partida.

 

    Para trabalhos futuros, é interessante uma análise mais focada nas posições de Suporte e Jungle, a fim de aferir através de seus padrões de jogo quais variáveis mais influenciam em seu acúmulo de ouro, levando em consideração esse valor como métrica de eficiência para os jogadores.

 

    A realização de uma comparação com métricas já existentes, como o KDA, para definir a eficiência do jogador em sua posição e o uso do ouro para aferir qual time em uma partida possui maior vantagem sobre o outro.

 

    A pesquisa desenvolvida se limitou a dados coletados de partidas passadas, por se tratar de um jogo que sofre diversas atualizações, as análises aplicadas podem se tornar desatualizadas, e não refletir os mesmos resultados.

 

Referências 

 

Ani, R., Harikumar, V., Devan, A.K., e Deepa, O.S. (2019). Victory prediction in League of Legends using Feature Selection and Ensemble methods. In 2019 International Conference on Intelligent Computing and Control Systems (ICCS). IEEE, 74-77. https://ieeexplore.ieee.org/abstract/document/9065758

 

Araujo, V., Rios, F., e Parra, D. (2019). Data mining for item recommendation in MOBA games. In Proceedings of the 13th ACM Conference on Recommender Systems, 393-397. https://dl.acm.org/doi/abs/10.1145/3298689.3346986

 

Bahrololloomi, F., Sauer, S., Klonowski, F., Horst, R., e Dörner, R. (2022). A Machine Learning based Analysis of e-Sports Player Performances in League of Legends for Winning Prediction based on Player Roles and Performances. In VISIGRAPP (2: HUCAPP), 68-76. https://www.scitepress.org/Papers/2022/108959/108959.pdf

 

Bailey, K. (2020). Statistical Learning for Esports Match Prediction [Dissertação de Mestrado, California State Polytechnic University]. https://scholarworks.calstate.edu/downloads/kw52jb221

 

Block, S., e Haack, F. (2021). eSports: a new industry. In SHS Web of Conferences. EDP Sciences, 04002. https://doi.org/10.1051/shsconf/20219204002

 

Borowy, M., e Jin, D.J. (2013). Pioneering eSport: the experience economy and the marketing of early 1980s arcade gaming contests. International Journal of Communication, 7, 21. https://ijoc.org/index.php/ijoc/article/view/2296

 

Cruz, A.C.S., Rêgo, T.G. do, Filho, T. de M., e Malheiros, Y. (2021). League of Legends: An Application of Classification Algorithms to Verify the Prediction Importance of Main In-Game Variables. In Anais Estendidos do XX Simpósio Brasileiro de Jogos e Entretenimento Digital. SBC, 329-333. https://sol.sbc.org.br/index.php/sbgames_estendido/article/view/19662

 

Eaton, J.A., Mendonça, D.J., e Sangster, M.-D.D. (2018). Attack, Damage and Carry: Role Familiarity and Team Performance in League of Legends. In Proceedings of the Human Factors and Ergonomics Society Annual Meeting, 130-134. SAGE Publications. https://journals.sagepub.com/doi/abs/10.1177/1541931218621030

 

Figueiredo Filho, D., Nunes, F., Rocha, E., Santos, M., Batista, M., e Alexandre Junior, J. (2011). O que fazer e o que não fazer com a regressão: pressupostos e aplicações do modelo linear de Mínimos Quadrados Ordinários (MQO). Revista Política Hoje, 20(1). https://doi.org/10.7910/DVN/LU5U7H

 

Godtsfriedt, J., e Cardoso, F.L. (2021). E-Sports: uma prática esportiva atual. Motrivivência, 33(64), 1-14. https://doi.org/10.5007/2175-8042.2021.e80001

 

Hodge, V.J., Devlin, S., Sephton, N., Block, F., Cowling, P.I., e Drachen, A. (2019). Win prediction in multiplayer esports: Live professional match prediction. IEEE Transactions on Games, 13(4), 368-379. https://ieeexplore.ieee.org/abstract/document/8906016

 

Kou, Y., e Nardi, B.A. (2014). Governance in League of Legends: A hybrid system. FDG, 7(1), 9. https://www.researchgate.net/publication/309738489

 

Krueger, J.S., e Lewis-Beck, M.S. (2008). Is OLS dead? The Political Methodologist, 15(2), 2-4. https://citeseerx.ist.psu.edu/document?repid=rep1&type=pdf&doi=6ec7536a138ea1350efbf73c6a2f714a56a72d48

 

Macedo, T., e Falcão, T. (2019). E-Sports, herdeiros de uma tradição. Intexto, 246-267. https://seer.ufrgs.br/intexto/article/view/83818

 

Mora-Cantallops, M., e Sicilia, M.-Á. (2018). MOBA games: A literature review. Entertainment computing, 26, 128-138. https://www.sciencedirect.com/science/article/abs/pii/S1875952117300149

 

Oracle Elixir (2023). Oracle Elixir. https://oracleselixir.com

 

Reitman, J.G., Anderson-Coto, M.J., Wu, M., e Lee, J.S. (2020). Esports research: A literature review. Games and Culture, 15(1), 32-50. https://www.researchgate.net/publication/332444877

 

Tuzcu, A., Ay, E.G., Uçar, A.U., e Kılınç, D. (2023). A Machine Learning Based Predictive Analysis Use Case For eSports Games. Artificial Intelligence Theory and Applications, 3(1), 25-35. https://www.researchgate.net/publication/373545790

 

Rubleske, J., Fletcher, T., e Westerfeld, B. (2020). E-Sports Analytics: A Primer and Resource for Student Research Projects and Lesson Plans. Journal of Instructional Pedagogies, 23. https://eric.ed.gov/?id=EJ1242004

 

Silva, A.L.C., Pappa, G.L., e Chaimowicz, L. (2018). Continuous outcome prediction of league of legends competitive matches using recurrent neural networks. SBC-Proceedings of SBCGames, 2179-2259. https://sbgames.org/sbgames2018/files/papers/ComputacaoShort/188226.pdf

 

Singh, N. (2020). Sport analytics: a review. The International Technology Management Review, 9, 64-69. https://link.springer.com/article/10.2991/itmr.k.200831.001

 

Apêndice A - Scripts utilizados no desenvolvimento 

 

    Script para a criação da visualização do gráfico de caixa do total de ouro:

import seaborn as sns

import matplotlib.pyplot as plt

ax = sns.boxplot(data=dataset[‘totalgold’],orient =’h’)

ax.figure.set_size_inches(20, 5)

ax.set_xlabel(‘ouro’, fontsize=20)

ax

    Script para a criação dos gráficos de dispersão:

import seaborn as sns

import matplotlib.pyplot as plt

ax = sns.pairplot(data_top, y_vars=‘totalgold’, x_vars = [‘kills’, ‘assistis’, ‘minionkills’, ‘monsterkills’], height=5, kind=’reg’)

ax.fig.suptitle(‘Dispersão entre as Variáveis TOP’, fontsize=20, y=1.05)

ax

    Script para separar os dados entre teste e treino:

from sklearn.model_selection import train_test_split

X_train,X_test,y_train,y_test=train_test_split(X,y,test_size

=0.2,random_state = 0)

    Script para criação do modelo de regressão:

import statsmodels.api as sm

modelo_statsmodels=sm.OLS(y_train, X_train_com_constante, hasconst = True).fit()

print(modelo_statsmodels.summary())

Lecturas: Educación Física y Deportes, Vol. 30, Núm. 332, Ene. (2026)