À propos de KayLoL

C'est l'élément essentiel à comprendre avant de juger l'outil, car c'est le seul domaine où KayLoL se montre délibérément sous son jour le plus exigeant.

Un modèle de prédiction de draft peut être évalué de deux manières. La méthode facile est la séparation aléatoire : mélangez toutes vos parties, entraînez sur la majorité, testez sur le reste. La méthode difficile est le patch exclu : entraînez uniquement sur des parties antérieures à un patch, puis testez sur le patch lui-même — exactement comme le modèle sera utilisé en réalité, sur une méta qu'il n'a jamais vue.

Les séparations aléatoires produisent des chiffres plus flatteurs, car les parties de test appartiennent à la même méta que les parties d'entraînement, ce qui crée une fuite de données. Filtrer uniquement sur la division la plus élevée ou exclure les parties écourtées embellit encore le résultat. KayLoL est évalué selon la méthode difficile, sur un patch complet inédit, sur l'ensemble du classement. Cela coûte plusieurs points sur la précision brute affichée, mais c'est le chiffre honnête.

Cela signifie également que le chiffre pertinent à comparer n'est pas celui mis en avant par la plupart des sites. Précision publie trois niveaux de preuves distincts, classés selon leur niveau de résistance à la manipulation, sans jamais les fusionner en un seul indicateur. Le plus infalsifiable correspond aux prédictions que cette API a renvoyées avant que les parties ne soient jouées, impossibles à reconstituer a posteriori ; cette couche est toujours en cours de collecte et ses données apparaîtront dès qu'un nombre suffisant de parties aura été comptabilisé.

La plupart des outils cherchent à distinguer les vainqueurs des vaincus. KayLoL veille également à ce que 57 % signifie réellement 57 % — que sur l'ensemble des drafts estimées à 57 %, le côté bleu l'emporte réellement environ 57 fois sur 100. Un modèle peut bien ordonner les drafts tout en étant mal calibré, et une probabilité erronée affirmée avec certitude est pire qu'une probabilité mesurée quand on s'en sert pour choisir un champion.

C'est pourquoi la page des métriques s'ouvre sur une courbe de calibration plutôt que sur un score de précision, et pourquoi le site rappelle constamment cette réalité fondamentale : la draft n'est qu'une fraction d'une partie. Attendez-vous à des probabilités proches de 50 %, et interprétez la tendance plutôt que la dernière décimale.

Des parties classées terminées collectées via l'API publique Match de Riot — les mêmes parties que Riot met à la disposition de tout client, et la source même sur laquelle repose chaque site d'historique de matchs. Elles entraînent le modèle et génèrent les statistiques de champions derrière la Tier list, et constituent également l'historique de chaque compte — parties, résultats et champions — consulté par les pages acceptant un Riot ID.

Les pages qui acceptent un Riot ID affichent les données publiques de match pour le compte saisi — selon la page, son rang, ses statistiques par champion, ses parties récentes, ou en face-à-face les parties que deux comptes ont disputées ensemble — comme le font d'autres sites de statistiques League. Le site ne peut pas vérifier qu'un compte appartient à la personne qui l'a saisi. Ce qui est stocké, ce qui n'est délibérément jamais conservé, qui d'autre traite ces données et ce qui peut être supprimé sur demande figurent dans la Politique de confidentialité.