# Analyse Statistique des Caractéristiques du Draft en League of Legends Classé
Une analyse de 805 000 parties classées montrant comment les contres de lane, les contres de partie, la synergie et la méta contribuent aux victoires.
Canonical HTML: https://baronbuff.com/fr/blog/features_weights/
Markdown URL: https://baronbuff.com/fr/blog/features_weights.md
Language: fr
## Breadcrumbs

- [Baron Buff](https://baronbuff.com/fr/)
- [Blog](https://baronbuff.com/fr/blog/)
- Analyse Statistique des Caractéristiques du Draft en League of Legends Classé

## Page Content

Recherche • 2 avril 2026 • Baron Builder

Cette analyse a examiné 805 355 parties classées de toutes les régions sur les quatre derniers patchs, correspondant à 8 052 743 lignes de participants d'Iron à Challenger. L'objectif était d'estimer comment sept features liées au draft contribuaient à la prédiction de victoire en utilisant le même cadre statistique entre rôles, rangs et champions.

Pour séparer les effets spécifiques à la lane des effets plus larges de composition d'équipe, les variables de contre et synergie ont été divisées en composantes de lane et cross-lane.

L'analyse par rôle a utilisé un modèle hiérarchique à effets mixtes (GPBoost) avec le tier de rang comme variable de regroupement. L'analyse par champion a utilisé une régression logistique régularisée Ridge pour stabiliser les estimations de coefficients dans les petits échantillons. Les deux analyses ont utilisé une validation croisée 5-fold out-of-fold au niveau des parties pour éviter les fuites de données.

Les résultats sont présentés dans les graphiques et tableaux ci-dessous, filtrables par rôle et rang :

- Poids des Features par Rôle — barres empilées et tableau de données, filtrés par rang

- Poids des Features par Champion — barres empilées et tableau de données, filtrés par rôle et rang

## Ce que les features signifiaient

Écart d’or du contre en lane mesurait la différence moyenne historique d'or à 15 minutes entre le champion du joueur et son adversaire de lane.

Taux de victoire du contre en lane mesurait le taux de victoire historique du champion du joueur contre son adversaire de lane.

Contre global mesurait le delta cumulé de taux de victoire depuis 50% entre le champion du joueur et chacun des quatre champions ennemis hors lane.

Game Synergy mesurait le delta cumulé de taux de victoire depuis 50% entre le champion du joueur et les champions alliés, excluant le partenaire de bot lane sauf lorsque la synergie de lane était modélisée directement.

Meta faisait référence au taux de victoire global du champion pour ce rôle et rang.

Lane Synergy WR s'appliquait uniquement à la bot lane et mesurait le taux de victoire historique du duo ADC–Support.

Lane Synergy Gold s'appliquait uniquement à la bot lane et mesurait la différence d'or combinée à 15 minutes pour le duo ADC–Support.

## Méthodologie

L'analyse a utilisé une fonction de lien logistique (Bernoulli Logit) pour modéliser la probabilité de victoire en fonction des sept features standardisées ci-dessus, avec cinq features pour les rôles hors bot lane et sept pour la bot lane.

"Standardisée" signifie que toutes les features ont été mises à l'échelle avec une moyenne de zéro et une variance unitaire avant l'ajustement du modèle. Cela a rendu les coefficients directement comparables, même si les features originales étaient mesurées sur des échelles différentes.

L'importance des features a été quantifiée en normalisant les valeurs absolues des coefficients standardisés, chacune exprimée en pourcentage de la magnitude totale de l'effet au sein du modèle.

Pour l'analyse par rôle, un modèle hiérarchique à effets mixtes a été ajusté par rôle à l'aide de GPBoost, avec le tier de rang comme variable de regroupement pour les intercepts et pentes aléatoires. Cela a permis au modèle d'"emprunter de la force" entre les tiers — si un tier avait peu de données (ex : Challenger), ses poids étaient attirés vers la moyenne de la population plutôt que de produire des estimations instables. L'analyse par champion a utilisé une régression logistique régularisée Ridge (pénalité L2, C=1.0) pour stabiliser les coefficients dans les petits échantillons.

Pour éviter les fuites de données, l'analyse a utilisé une validation croisée 5-fold out-of-fold (OOF) stratifiée au niveau des parties, garantissant que les dix participants d'un même partie soient assignés au même fold et empêchant les fuites d'information intra-partie. Lors du calcul des features pour les parties d'un fold donné, les statistiques historiques ont été dérivées uniquement des quatre autres folds. Les p-values ont été calculées au niveau de la population à l'aide d'erreurs standards cluster-robust groupées par partie, tenant compte de la corrélation entre les dix lignes de participants au sein de chaque partie.

## Significativité statistique et corrélation des features

La significativité statistique a été rapportée par les p-values. Les résultats ont été marqués comme :

- p

Rôle | Ctr Lane Or | Ctr Lane WR | Game Ctr | Synergie | Méta | Syn Lane WR | Syn Lane Or |

Top | 19.8% | 7.7% | 20.3% | 12.2% | 40.0% | — | — |

Jungle | 6.4% | 4.5% | 23.9% | 15.9% | 49.3% | — | — |

Mid | 11.6% | 10.2% | 18.5% | 16.9% | 42.9% | — | — |

Bot | 1.8% | 9.4% | 26.2% | 16.8% | 27.0% | 15.6% | 3.3% |

Support | 3.7% | 15.4% | 29.5% | 4.4% | 26.2% | 17.5% | 3.3% |

## Conclusion

### Quelle est l'importance de gagner la phase de lane ?

- La différence d’or à 15 minutes apportait un signal notable sur la voie du haut. Au milieu, sa contribution devenait plus visible dans les rangs élevés.

- Cette même mesure n’était pas statistiquement significative pour l’ADC dans ce modèle. Le support montrait une contribution de la phase de lane, mais plus faible que les voies solo.

### Quelle est l'importance de choisir un champion adapté à la composition de votre équipe ?

- Dans l'ensemble, c'est plus pertinent pour les mid laners et les junglers, mais cela reste important pour les autres lanes.

- Une bonne paire ADC + Support a peu d'impact sur le gain de la phase de lane, mais affecte considérablement le reste de la partie.

### Quelle est la pertinence de contrer les picks ennemis ?

- Contrer votre affrontement de lane va au-delà de la phase de lane, et l'impact des contres de lane après la fin de la phase est plus élevé que pendant celle-ci.

- Les affrontements avec les autres voies pesaient aussi dans les différents rôles et rangs. Dans de nombreuses cellules, le contre global était le premier facteur individuel.

### Qu'en est-il de la méta ?

- En elo moyen à élevé (Plat+), la méta n'a quasiment pas d'importance pour l'ADC, mais reste pertinente pour les autres rôles.

- La méta pesait davantage dans de nombreuses cellules des rangs inférieurs et moins dans une grande partie de Gold et Platinum. Le schéma variait selon le rôle, ce qui empêche d’en tirer une règle unique par rang.

### Cela change-t-il d'un champion à l'autre ?

- Les estimations variaient fortement selon les champions et les petits échantillons limitaient les comparaisons solides. Katarina, LeBlanc et Kassadin faisaient partie des cas où la mesure de lane pesait bien plus que pour de nombreux autres champions.

## Pourquoi le Méta n'apparaît pas dans le tableau par champion

Meta n'est pas apparu dans le tableau par champion pour une raison statistique. Lorsque l'analyse était restreinte à un seul groupe champion-rôle-rang, le taux de victoire méta de ce champion était la même valeur pour chaque partie du groupe. Une feature qui ne varie pas entre les observations ne peut pas être estimée par régression logistique.

Pour cette raison, la contribution de Meta à la victoire a été capturée dans l'analyse par rôle, où différents champions avec différents taux de victoire méta apparaissaient dans le même groupe, mais elle n'est pas apparue dans l'analyse par champion.

## Biais connu

L'analyse a identifié un biais important dans l'analyse par rôle : les taux de sélection des champions étaient déséquilibrés. Les champions populaires ont contribué beaucoup plus de données que les sélections rares — dans certains cas jusqu'à 20× plus. En conséquence, les régressions par rôle ont été disproportionnellement influencées par les champions populaires.

L'analyse par champion n'a pas été affectée par ce biais spécifique, puisque chaque champion a été analysé indépendamment.

[← Accueil](https://baronbuff.com/fr/)
## Machine-Readable References
- [LLM index](https://baronbuff.com/llms.txt)
- [Full LLM reference](https://baronbuff.com/llms-full.txt)
- [Sitemap](https://baronbuff.com/sitemap.xml)