HLTV kill-count prediction
кто наберёт больше убийств в CS2
2 min readupdated
Модель решает узкую задачу для CS2: по данным матча предсказать, кто из каждой пары десяти игроков закончит с большим числом убийств. Есть два режима: до первого раунда — смесь XGBoost и логистической регрессии на 88 признаках; в игре — трансформер по токенам раундов, который учитывает первые k раундов. Она основана на данных HLTV (8 235 карт, более 1,18 млн убийств) и не является LLM. Полезна аналитикам киберспорта, разработчикам фэнтези/прогнозов и тем, кто исследует табличные и временные модели.
Ключевые особенности
- Два режима: pre-match до старта и in-play по первым k раундам.
- Pre-match: XGBoost (3 seed) + logistic blend, 88 features, pairwise accuracy 61,1 %.
- In-play transformer: 68,6 % при k=3 и до 90,7 % при k=18.
- Есть сравнение с baseline: career kill-rate 58,0 % и market/rating 59,4 %.
- В репозитории лежат готовые скрипты для скоринга pre-match, in-play и set-модели.
Что можно сделать
- Собрать аналитический бот для просмотра пар игроков и вероятностного порядка по убийствам.
- Оценивать in-play прогноз по первым 3, 5, 8, 12, 15 или 18 раундам через
tools/inplay_predict.py. - Использовать confidence tiers: в карточке указано 90 % accuracy на топ-1 % самых уверенных пар и 80 % на топ-8 %.
- Проверять pre-match модель на конкретном матче по ID через
tools/prematch_predict.py --match.
Пример
pip install torch xgboost scikit-learn joblib numpy pandas pyarrow
python tools/prematch_predict.py --match 2400011
python tools/inplay_predict.py --ck 12 --map-ix 0
Подробнее
Pre-match pairwise accuracy — 61,1 %, baseline career kill-rate — 58,0 %, market/rating — 59,4 %.In-play: k=3 — 68,6 %, k=12 — 81,6 %, k=18 — 90,7 %.
Веса в
artifacts/ — all-data retrains; метрики получены expanding-origin CV по четвертям, оценка матча из обучающего окна будет in-sample.Ничьи по убийствам — 5,7 %, считаются как half-correct.










Comments