Acerca de KayLoL

Esto es lo que conviene entender antes de juzgar la herramienta, porque es el único punto en el que KayLoL se hace quedar peor a propósito.

Un modelo de predicción de draft se puede evaluar de dos maneras. La fácil es una partición aleatoria: mezclas todas las partidas, entrenas con la mayoría y pruebas con el resto. La difícil es un parche reservado: entrenas solo con partidas anteriores a un parche y luego pruebas sobre ese parche — que es como se va a usar el modelo en realidad, sobre un meta que nunca ha visto.

Las particiones aleatorias dan números más bonitos, porque las partidas de prueba están en el mismo meta que las de entrenamiento y parte de la respuesta se filtra. Filtrar solo a la división más alta, o descartar las partidas que acabaron pronto, los mejora todavía más. KayLoL se mide por la vía difícil: un parche entero sin ver, en toda la escalera. Eso cuesta varios puntos de precisión aparente y es la cifra honesta.

También significa que el número a comparar no es el que casi todos los sitios ponen primero. Precisión publica tres capas de evidencia separadas, ordenadas por lo difícil que es falsear cada una, y nunca las junta en una sola cifra. La más difícil de falsear son las predicciones que esta API devolvió antes de que se jugaran las partidas, que no se pueden reconstruir después; esa capa todavía se está recopilando, y sus números aparecerán cuando se hayan puntuado suficientes de esas partidas.

Casi todas las herramientas optimizan para distinguir ganadores de perdedores. A KayLoL también le importa que 57% signifique de verdad 57%: que de todos los drafts a los que dio un 57%, el lado azul gane unos 57 de cada 100. Un modelo puede ordenar bien los drafts y estar mal calibrado, y una probabilidad equivocada con mucha confianza es peor que una prudente cuando la estás usando para elegir un pick.

Por eso la página de métricas empieza con una curva de calibración en vez de con una cifra de acierto, y por eso el sitio repite lo mismo por incómodo que sea: el draft es una parte pequeña de la partida. Espera probabilidades cerca del 50% y lee la dirección, no el último decimal.

Partidas clasificatorias terminadas, recogidas de la Match API pública de Riot — las mismas partidas que Riot ya publica a cualquier cliente, y la misma fuente sobre la que está construido cualquier sitio de historial. Con ellas se entrena el modelo y se calculan las estadísticas de campeones que hay detrás de la Tier list, y también forman el historial de cada cuenta — partidas, resultados y campeones — que leen las páginas que piden un Riot ID.

Las páginas que piden un Riot ID muestran datos públicos de partidas de la cuenta que se introduzca, sea cual sea — según la página, su rango, su historial con cada campeón, sus partidas recientes o, en cara a cara, las partidas que dos cuentas jugaron en el mismo encuentro —, como hacen otros sitios de estadísticas de League. El sitio no puede comprobar que una cuenta pertenezca a quien la escribió. Qué se guarda, qué no se guarda nunca a propósito, quién más interviene y qué se puede borrar a petición está todo en la Política de privacidad.