CS：GO中有目的的实践项目—压轴

你好！

女士们，先生们，项目结束了。 经过78场比赛，1833发回合以及100个小时的累积练习和练习，就完成了。

• 5分钟内的CES 2017，第4部分：游戏与无人机
• Albion Online获取角色生成器部分
• U4GM热卖中的Fortnite 4武器配套
• （游戏爸爸的）梦想成真
• 与Agarabi一起玩Agario游戏–传说Karina Kandel Ru –中

我很高兴这个结局结束了，因为CS：GO刚刚经历了其存在的最大更新之一：它现在可以免费玩，并拥有大逃杀模式。 通过为每个帐户赋予“主要”身份，此更新还使配对变得很混乱，但这不是我们在这里讨论的内容。 我们在这里查看大量数据！

首先，跨地图的胜率：

首先要指出的几件事：《尘埃2》和《海市age楼》是非常常见的地图。 这主要归因于它们的流行。 人们可以选择要排队的竞争地图，而且由于我一次将所有地图都排队，因此这是最常见的。

但是总的来说，我的胜率非常可观，为60.9％，我的总胜率是56.5％。 有趣的是，两个最常见的地图的胜率是50％，而Office（旋转中唯一相关的人质地图）的胜率是77.8％。 通过这种逻辑，将不太受欢迎的地图排队是有意义的。 由于游戏中存在大量变量，很难说哪些因素会影响这些统计数据，但是我们可以查看“杀/死”比率来查看我的个人表现。

最后，我的平均死亡人数为22.44，标准差为6.05，平均死亡人数为15.69，标准差为5.13。

其中一些数据点并不相关：代理商上只有一场比赛，因此平均值只有一场比赛。 在Mirage和Dust 2上，我的平均死亡率高于整体平均值，而其他地图（不包括Biome）的平均死亡率均高于整体平均值。 Office的平均命中率最高，我可能将其归因于使用该地图的球员类型和后卫的优势。

这是一个图表，显示了我在项目过程中的杀戮和死亡情况如何变化：

老实说，这只是一堆噪音。 该图并没有真正考虑平均值或累积统计数据，但我认为这是一个有趣的演示，说明了基于游戏的性能不足以趋势化玩家的排名潜力。 但是，一致性是关键，因此，在项目结束之前，我的杀戮和死亡变化并不大。

说到后卫优势，我想看看更重要的事情：无论您是从T边还是CT边开始，还是先是在进攻方还是在防守方。 根据这两个指标计算不同的胜率，我发现无论是进攻还是防守都无所谓，但是无论我是在T边还是在CT边都没关系。 下表对此进行了更好的说明：

在这里，我分析了与第一局相比的平均回合胜负，我在打了六场或更多场比赛的地图上将其进行了细分，目的只是为了使牌桌更清洁，更有意义。 但是，总平均数仍包括所有游戏。 虽然首发的平均回合数相对相同，但输掉的回合明显不同。 从T边开始，平均整个回合要少！ 但是，我没有检查Office是否会对平均值产生巨大影响，因此数据可能会有些偏斜。

与此同时，我发现我在CT端的K / D在T端为1.32，而在T端为1.55，这更证明了我认为无论映射如何，我在T端都比CT端更好。

从得分来看，我的平均得分为54.79，标准差为14.10，我的平均MVP为3.74，平均而言，我是该团队第二高的得分手。 这是一个散点图，将获得的MVP数量与该游戏的得分进行比较：

这一发现不足为奇：分数越高，MVP越多。 获得MVP所需的任务（植入炸弹，杀死敌人等）也可以为您带来实质性的收益。 需要注意的一个有趣的事情是，在保证15个MVP的情况下，玩家可获得的最低分数是60：杀死一个敌人并完成客观目标可得4分，如果赢得一轮，则保证回合MVP，因此15乘4是60。从来没有在我的游戏中发生过，但是看到有人做到这一点真是有趣。

在此项目中，我想观察三个主要统计数据：杀/死比，游戏和回合胜率以及排名。

K / D受到地图和我从哪方面开始的影响最大。 进攻和防守无所谓。 至少在这些较低的队伍中，双方所能使用的设备对我来说比我捍卫一个点还是进攻更重要。

Winrate受地图和队友表现的影响。 分数似乎也与赢率相关。 有趣的是，杀戮在赢与输之间没有变化，但死亡却明显不同。 丧失和纽带的平均死亡人数远多于胜利。 这支持了以下观点：自我保护是我应该对决策做出的战术更改。

等级是影响球员技能的最大也是最显着的因素。 我从银牌1开始，到银牌3结束，排名从未下降，只是上升。 我在Silver 1时约占游戏的14％，在Silver 2中时约占37％的游戏，其余49％的游戏都在Silver 3中消费。

现在，这是一个有目的的实践项目，试图将爱立信博士的有目的和有目的的实践理论应用到基于团队的游戏中。 在我看来，可以肯定地说，这种游戏和团队游戏并不是使用有目的的练习的最佳选择。 这完全是由于每个游戏的疯狂变异性和不可预测性：拥有13张地图，2个首发边以及34个不同有用程度的枪支，这对我来说是884种组合！ 这并没有增加其他九位玩家带来的无限可变性。

收集到该项目的所有数据后，我肯定会为自己的比赛做出一些调整和改进，以帮助进一步提升排名。 但是，由于依赖其他玩家，因此像这样的游戏很难衡量一个人随时间的性能变化。 如果我有机会选择另一款游戏，那我会选择单人游戏或《星际争霸II》等1v1格式的游戏。 这个游戏中的数据需要更多的分析和批判性思维，以获取所有有价值的东西。

在任何情况下，

直到下一次！