LoLA
EN 中文

英雄联盟 · 单双排位 · 北美服 · 2016 季前赛

英雄联盟:
选人阶段
决定胜负吗?

示意阵容:盖伦、李青、阿狸、金克丝、锤石对阵德莱厄斯、蔚、亚索、凯特琳、蕾欧娜。

第一波兵线出现之前,十位英雄就已经锁定。这个选择到底能告诉你多少胜负的信息?我们用 222,652 场真实的排位赛来回答。

场排位赛
222,652
条参与者记录
2,226,520
次独立击杀事件
13,127,488
向下滚动开始

要点

单靠选人,不能。在这批比赛里,知道全部十位英雄,只比抛硬币好一点;而知道前十分钟,就好得多。

  • 仅凭选人,信号很弱:三种数据划分下 AUC 都约为 0.57,硬币则是 0.50。
  • 加入 8,128 个跨队组合特征后,三种设置下留出集的预测都略微变差。
  • 不含任何英雄信息,第 10 分钟(AUC 0.78)和第 20 分钟(AUC 0.89)的队伍状态预测得好得多。

01基准线

先从一枚硬币说起。

还没人选英雄的时候,一场比赛几乎就是抛硬币。在留出的测试集上,永远猜“更常见的结果”,大约有 50.6% 的概率猜对。一枚公平的硬币也只会落在 50% 附近,很少恰好等于 50%。任何模型都必须先越过这条线。

蓝色方
红色方
点击抛硬币

此处为模拟抛硬币,仅作演示,并非比赛数据。注意:抛 100 次很少会刚好 50 比 50。

02选人,用数字说话

现在,把阵容交给模型。

我们只给模型十位被选中的英雄(对方的符号取反),不给任何别的信息,用较早的比赛训练,再在它从没见过的较晚比赛上测试。问题很简单:每 100 场比赛,它能猜对多少场?作为对照,另一个模型拿到的是第 10 分钟和第 20 分钟的队伍数据,完全不含英雄信息。

数据怎么划分
模型

用较早的比赛训练,在最近的约 93,000 场比赛上测试。这是最严格的设置。

知道全部十位英雄,能把每 100 场猜对的场数从 51 提高到 55;打满十分钟提高到 71,二十分钟提高到 80。

圆点表示模型在留出比赛上的准确率(四舍五入取整)。悬停或聚焦卡片可查看精确数值。

03为什么差别这么小?

英雄之间,比你以为的更接近。

每个点是一位英雄在某个段位区间内的实际胜率。很少被选的英雄,因为样本太小,胜率会大幅摇摆;随着出场次数增加,点会向 50% 收拢。阴影锥表示:对于真实胜率恰好为 50% 的英雄,纯靠运气会落在什么范围。

在“黄金–铂金”区间,128 位英雄中有 49 位落在运气锥内。其余英雄与 50% 的差距超出了单靠运气能解释的范围,这也是选人模型能略胜抛硬币的原因。但差距并不大:有 94 位英雄的胜率与 50% 相差不到 3 个百分点。

未经调整的原始胜率,仅包含该段位区间内出场不少于 200 次的英雄。段位取自玩家上赛季的排名。阴影锥为 50% 附近的标准二项分布 95% 区间。
● 在运气范围内   ● 超出运气范围

04那克制关系呢?

也许关键在对位。

选人时的经典信念是:英雄 A 克制英雄 B。所以我们把每一种“A 对 B”的跨队组合都单独作为一个特征交给模型,在 128 位英雄之上再加 8,128 个组合,然后检验这些额外信息,能不能帮它预测从没见过的比赛。

全部 8,128 个英雄组合,每格一个。悬停可查看对应的组合。

测试集对数损失:越低越好

仅英雄加入 8,128 个组合交互无信息基线
横轴已放大到 0.680–0.694,差异很小但方向一致。

额外的组合特征让留出集上的预测在三种设置下全部变差:对数损失分别上升 0.0037、0.0030 和 0.0020。

05逐分钟

胜负,到底是在哪里决定的。

第 0 分钟:选人

所有英雄都已知,但还没开打。此时模型区分胜负的能力,只比抛硬币好一点点。

第 10 分钟:一血与补刀

只看十分钟的对线数据、不含任何英雄信息,模型相对硬币的优势就几乎翻了一倍。

第 20 分钟:雪球滚起来

到第 20 分钟,局势几乎已经说明了大半个故事。拖动仪表盘,或用方向键在时间中移动。

准确率 55.0%
对数损失 0.6856
随机取一场蓝方赢的比赛和一场蓝方输的比赛,模型会把真正赢的那场排得更靠前的概率是 57%。抛硬币只有 50%。

特征:十位英雄(按阵营取符号),不含任何局内信息。 三种数据划分下:0.5715 到 0.5785。

06一个小插曲

同一个英雄玩得越多,就会越强吗?

一直玩同一个英雄,应该会越来越熟练。我们取了同一名玩家使用同一英雄至少五局的 381,053 场比赛,对 123 位英雄分别拟合:每多玩一局,前期对线表现(补刀与经验领先,已标准化)会如何变化。

123 位英雄,每格一位

区间完全在零以下 92区间跨过零 31区间完全在零以上 0

没有一位英雄呈现明确的上升曲线。92 位明确为负,31 位无法判断。

探索某位英雄

    模型推出的曲线

    斜率 × ln(第几局)。这是拟合出的直线,不是实际场次的平均值。

    到第 10 局时,拟合线位于 −0.13 个标准差(区间 −0.19 到 −0.07)。

    全部 123 位英雄,按斜率排序

    点击柱条即可选中。须线为 95% 自助法(bootstrap)区间。

    为什么会这样?

    没有时钟

    档案里没有时间戳,用比赛编号和游戏版本代替时间,所以“第 5 局”只是近似。

    缺失的对局

    玩家也会在档案之外玩这个英雄。我们看到的“第 5 局”,实际上可能是他的第 50 局。

    留下的是谁

    前期表现差的玩家可能放弃这个英雄,所以继续玩的人并不是随机样本。

    只是一个侧面

    前 20 分钟的对线领先不等于熟练度,它不包含团战、大局观和决策。

    07另一个小插曲

    禁用,是因为强,还是因为烦?

    对每位英雄,我们计算了禁用显著度:标准化后的禁用率,减去标准化后的胜率。数值越高,说明这位英雄被禁的程度远超胜率所能解释的范围。我们关心三件事:这种模式在不同段位是否稳定?谁排在最前面?它与上面的学习斜率有关吗?

    不同段位下稳定吗?

    每个点是一位英雄。如果显著度稳定,这些点应当沿着对角线分布。

    显著度残差最高的英雄

    被禁的程度远超胜率所能解释的范围。

    相邻段位之间的排序相当稳定(ρ = 0.85、0.74),低段位与高段位之间则较弱(ρ = 0.55)。Jax、Illaoi、Dr. Mundo 和 Yasuo 在每个段位都名列前茅。

    显著度和学习有关吗?

    每个点是一位英雄:学习斜率对高段位禁用显著度。

    斯皮尔曼 ρ 及 95% 自助法区间

    ρ = 0.1448,95% 区间为 −0.0281 到 0.3152。区间跨过零,所以我们不能说两者有关。

    08结论

    所以,选人决定胜负吗?

    单靠选人,不能。在这批比赛里,知道全部十位英雄,只比抛硬币好一点;而知道前十分钟,就好得多。

    数据能支持的

    • 仅凭选人,信号很弱:三种数据划分下 AUC 都约为 0.57,硬币则是 0.50。
    • 加入 8,128 个跨队组合特征后,三种设置下留出集的预测都略微变差。
    • 不含任何英雄信息,第 10 分钟(AUC 0.78)和第 20 分钟(AUC 0.89)的队伍状态预测得好得多。
    • 禁用显著度在不同段位之间有中等程度的稳定性,总有一批固定的英雄排在前面。

    数据不能说明的

    • 不能说克制关系不存在。我们的检验是预测性的,不是因果性的。
    • 不能说选人永远不重要。这是同一赛季的汇总排位赛,既不是有配合的战队,也不是现在的游戏版本。
    • 不能说玩家越练越差。负的学习斜率仍是一个未解之谜,背后有若干可能的人为因素。
    • 不能说禁用反映了“不好玩”或不公平,也不能说显著度与学习有关,该关联的区间跨过了零。

    状态:2026-07-21 重跑得到的探索性结果,尚未经同行评审,稳健性检验与独立复核仍待完成。