League of Legends — Match Prediction

Pipeline ML de prédiction des résultats de matchs League of Legends (victoire/défaite de l'équipe bleue) basé sur les données de l'API Riot Games.

---

Installation

Prérequis

Python 3.10+ requis.

pip install pandas numpy matplotlib seaborn scikit-learn scipy xgboost lightgbm requests

---

Utilisation

main.py — Pipeline CLI (recommandé)

Lance des tâches spécifiques avec le(s) modèle(s) de ton choix.

python main.py --tasks <tâches> --ml_method <modèles>

--tasks (séparés par des espaces)

Valeur	Description
balance	Graphique d'équilibre des classes (wins vs losses)
train	Entraînement + évaluation complète (accuracy, F1, precision, recall, AUC, confusion matrix)
pca	Visualisation PCA (scree plot, variance cumulée, scatter 2D)
cluster	Clustering K-Means + silhouette + taux de victoire par cluster
learning_curve	Courbes d'apprentissage (biais/variance)
calibration	Courbes de calibration des probabilités
all	Toutes les tâches ci-dessus

--ml_method (séparés par des virgules)

Valeur	Modèle
lr	Logistic Regression
lr_pca80	LR + PCA (80% variance)
lr_pca90	LR + PCA (90% variance)
lr_pca95	LR + PCA (95% variance)
lr_pca99	LR + PCA (99% variance)
sgd	SGD Classifier (log_loss)
knn	K-Nearest Neighbors
nb	Gaussian Naive Bayes
lda	Linear Discriminant Analysis
qda	Quadratic Discriminant Analysis
rf	Random Forest
gb	Gradient Boosting
all	Tous les modèles

Exemples

# Évaluation complète avec Random Forest
python main.py --tasks train --ml_method rf

# Tout faire avec LR et Gradient Boosting
python main.py --tasks all --ml_method lr,gb

# Comparer tous les modèles (long)
python main.py --tasks train --ml_method all

# PCA + clustering uniquement
python main.py --tasks pca cluster --ml_method lr

# Éval + calibration sur 3 modèles
python main.py --tasks train calibration --ml_method lr,rf,gb

Note : calibration et learning_curve nécessitent que train soit aussi dans --tasks.

Outputs

Tous les fichiers sont sauvegardés dans le dossier outputs/ créé automatiquement.

Fichier	Description
results_summary.csv	Tableau complet des métriques (accuracy, F1, AUC, ...)
balance.png	Équilibre des classes par configuration
heatmap_auc.png	Grille AUC — modèles × configurations
heatmap_f1.png	Grille F1 — modèles × configurations
confusion_matrices.png	Matrices de confusion (config 25 min)
pca_variance.png	Scree plot + variance cumulée
pca_scatter2d.png	Projection PCA 2D colorée par résultat
cluster_silhouette.png	Courbe silhouette K-Means
cluster_scatter.png	Clusters + taux de victoire par cluster
learning_curves.png	Courbes d'apprentissage biais/variance
calibration.png	Courbes de calibration des probabilités

---

Structure du projet

LoL_Match_Prediction/
├── main.py                        # Pipeline CLI (à utiliser)
├── pipeline_analysis.py           # Pipeline complet automatique
├── Data_recup1.ipynb              # Collecte des données via API Riot
├── Preprocessing_v3.ipynb         # Prétraitement et feature engineering
├── matchs_analysis.ipynb          # Analyse et modélisation (v1)
├── matchs_analysis_v2.ipynb       # Analyse et modélisation (v2 + visualisations)
├── matchs_preprocessed_*.csv      # Données prêtes à l'emploi (10 configs)
├── outputs/                       # Figures et résultats générés
└── data/                          # Données brutes JSON (API Riot)