Bir dereceli maç şampiyon seçiminden önce ne kadar tahmin edilebilir?

Modelin görmesine izin verilenler

Eşleşme ekranı geldiğinde var olan her şey ve sonrasındaki hiçbir şey: şampiyon yok, yasaklama yok, maçın kendisinden hiçbir veri yok.

• On oyuncunun derecesi ve LP'si ile maç geçmişlerinden oluşturulan kendi değerlendirme puanımız.
• Her oyuncunun son 50 dereceli maçı: kazanılan veya kaybedilen, nasıl performans gösterdikleri, maçların ne kadar sürdüğü, koridorlarının nasıl geçtiği, rakiplerin ne kadar güçlü olduğu. Yalnızca bu maç başlamadan önce sona ermiş maçlar.
• Her oyuncuya verilen rol, son oyunlarının ne kadarının o rolde olduğu ve autofill olup olmadıkları.
• Her oyuncunun o rolde genellikle oynadığı şampiyonlar: ne seçebilecekleri (kesinlikle ne seçtikleri değil).

Model önceki yamalarda eğitildi ve 16.18 yamasında daha önce hiç görmediği 457.284 NA maçında test edildi. Aşağıdaki tüm NA sayıları bu maçlardan gelmektedir.

Ne sıklıkla doğru çıkıyor

Aynı 457.284 test maçında, her oyuncunun geçmişinden adım adım daha fazla veri eklenerek, her model için bildirdiğimiz beş ölçütte (doğruluk sayfası her birini açıklar). Yazı tura %50 doğruluk ve 0,5 AUC demektir.

Tek başına derece hiçbir yere varamaz. İki takım arasındaki kendi değerlendirme puanımızdaki fark, kazananı yazı turadan daha iyi tahmin edemez (AUC 0,502; beş ölçütün tümü loser’s queue araştırması içindedir); çünkü eşleştirme sisteminin dengelediği şey tam olarak budur. Modelin bildiği neredeyse her şey oyuncuların son maçlarından gelir. Son satır, bu amaçla ayrılmış maçlarda güveni düzeltilmiş aynı modeldir; aşağıdaki bölümler onu kullanır.

Düşük elo çok daha tahmin edilebilirdir

Demir'de model, kazananı şampiyon seçiminden önce %%69,4 oranında doğru tahmin eder. Altın'da bu oran %%61,6, Platin'den itibaren ise yaklaşık %%60'dur. Nedenini test etmedik. Uygun bir yorum: Bir hesap ne kadar az oturmuşsa derece oyuncu hakkında o kadar az şey söyler ve alt aşamalar, dereceleri hala oyun seviyelerine yetişmeye çalışan daha fazla hesabı barındırır.

Bir favori belirlediğinde, favori tam o sıklıkta kazanır

Bir model sık sık doğru bilip yine de ne kadar emin olduğunu abartabilir. Bu model öyle yapmaz: %60–65 olarak tahmin ettiği lobiler maçların %%62,3'ını kazanır ve %70 veya üzeri olarak tahmin ettiği %%17,4'lik kısım maçların %%77,5'ini kazanır. Lobilerin yalnızca %%26,5'i bir yazı tura atışına beş puanlık yakınlıktadır.

Derecede eşit, formda dengesiz

Her tahmini onu oluşturan parçalara ayırdık. Bir lobi ile diğeri arasındaki farkın ne kadarını her parçanın taşıdığı aşağıda gösterilmiştir:

Derece neredeyse hiçbir şeyi açıklamaz, çünkü eşleştirme sisteminin dengelediği şey derecedir ve bunu gayet iyi dengeler. Geriye kalanlar ise bir derecenin göstermek için çok yavaş kaldığı şeylerdir: kim seride, kim düşüşte, kim oyuna yeni döndü.

“Son maçlar” ifadesini dikkatli okuyun. Riot, asla göremediğimiz gizli bir MMR üzerinden eşleştirme yapar. Bir oyuncunun son maçları, bu MMR ile görünür derecesi arasındaki bir farkın kendini göstereceği yerdir; bu nedenle bunun bir kısmı yalnızca iyi veya kötü seriler değil, modelin yakaladığı MMR farkları olabilir. Bu veriler ikisini birbirinden ayıramaz.

Rolü dışında oynayanlar sonucu değiştirir

Bir oyuncuya verilen rol son maçlarının %20'sinden azını oluşturuyorsa o oyuncu rol dışı sayılır. Bir takımda diğerinden daha fazla rol dışı oyuncu olduğunda, bu durum kazanan tarafta kendini gösterir:

Fazladan her rol dışı oyuncu bir takıma yaklaşık üç puanlık kazanma oranına mal olur ve lobilerin yalnızca %%37,9'inde her iki tarafta eşit sayıda rol dışı oyuncu bulunur.

Lobilerin yarısı herkesi bildiği bir role yerleştiremez

Ayrıca bir lobideki on oyuncunun herkesin aşina olduğu bir rolde (yani son 50 maçının en az %20'sinde) oynayabileceği şekilde dizilip dizilemeyeceğini sorduk. Gerçek NA lobilerinin yalnızca %%20,3'i zaten bu durumdadır. Tamamen tanıdık bir rol dağılımı lobilerin %%50,2'inde mümkündür; geri kalanında on oyuncunun rolleri her pozisyonu iki kez karşılamaya yetmez. Herkesin kendi ana rolünde olması yalnızca %%5,7 lobide mümkündür. Bu bir tercih değil, o anda sırada kimlerin olduğunun getirdiği bir kısıtlamadır.

EUW ve Kore: erken bir bakış

Yalnızca NA'de eğitilen geçmiş modeli, EUW ve Kore'den 18 günlük maçları da puanladı. O oyuncuları çok daha az tanıdığı için (NA'deki aylara karşılık her birinde 8 ila 10 önceki maç) oralarda daha az favori bulmaktadır. Bu durum eşleştirmenin daha adil olmasından değil, ölçüm aracının daha zayıf olmasından kaynaklanır. Tablo NA dahil her bölgede yalnızca geçmiş modelini kullanır, bu yüzden NA satırı tam modelin biraz altındadır.

Hala hiçbir loser’s queue izi yok

Bu daha güçlü modelle loser’s queue araştırması çalışmasını tekrar çalıştırdık ve hiçbir şey değişmedi. Art arda beş veya daha fazla galibiyetten sonra oyuncular sonraki maçlarını %%53,0 oranında kazandı; art arda beş veya daha fazla mağlubiyetten sonra ise %%47,9. Model her ikisini de öngörmüştü ve galibiyet serisindeki bir oyuncu daha zayıf değil, yine biraz daha güçlü takım arkadaşları almaktadır.

Bu verilerin söyleyemeyecekleri

• Derinlemesine tek bir bölge, tek bir yama. NA, 16.18 yaması. EUW ve Kore, üzerlerinde eğitilmemiş bir modelden elde edilen erken bir bakıştır.
• Bu Riot'un MMR'ı değildir ve eşleştirme sisteminin içine bir bakış değildir. Herkese açık maç geçmişinden lobileri oluştukları gibi ölçer. Eşleştirme sistemi göremediğimiz bir şeyi dengeler ve bizim değerlendirme puanımıza göre bunu neredeyse kusursuz yapar.
• Model, tahmin ettiği maça kadar olan her maçı okur; aynı gün içindeki önceki maçlar da buna dahildir. Günde bir kez yenilenen bir sistem biraz daha az şey bilirdi.
• Rol tercihleri her oyuncunun oynadığı maçlardan çıkarılmıştır. Sıraya girdikleri roller herkese açık değildir.
• Burada hiçbir oyuncunun adı verilmez veya derecelendirilmez. Her sayı yüz binlerce maçın ortalamasıdır; sizin kendi lobiniz bu havuzdan tek bir çekiliştir.