# Analisi Statistica delle Caratteristiche del Draft nelle Ranked di League of Legends
Un'analisi di 805.000 partite classificate che mostra come contromosse, sinergie e meta contribuiscono alle vittorie.
Canonical HTML: https://baronbuff.com/it/blog/features_weights/
Markdown URL: https://baronbuff.com/it/blog/features_weights.md
Language: it
## Breadcrumbs

- [Baron Buff](https://baronbuff.com/it/)
- [Blog](https://baronbuff.com/it/blog/)
- Analisi Statistica delle Caratteristiche del Draft nelle Ranked di League of Legends

## Page Content

Ricerca • 2 aprile 2026 • Baron Builder

Questa analisi ha esaminato 805.355 partite classificate da tutte le regioni negli ultimi quattro patch, corrispondenti a 8.052.743 righe di partecipanti da Iron a Challenger. L'obiettivo era stimare come sette caratteristiche legate al draft contribuissero alla previsione di vittoria usando lo stesso framework statistico tra ruoli, gradi e campioni.

Per separare gli effetti specifici della lane dagli effetti più ampi della composizione del team, le variabili di contromossa e sinergia sono state divise in componenti di lane e cross-lane.

L'analisi per ruolo ha utilizzato un modello gerarchico a effetti misti (GPBoost) con il tier di grado come variabile di raggruppamento. L'analisi per campione ha utilizzato la regressione logistica regolarizzata Ridge per stabilizzare le stime dei coefficienti in campioni più piccoli. Entrambe le analisi hanno utilizzato la validazione incrociata 5-fold out-of-fold a livello di partita per prevenire la fuga di dati.

I risultati sono mostrati nei grafici e nelle tabelle qui sotto, filtrabili per ruolo e grado:

- Pesi delle Caratteristiche per Ruolo — barre impilate e tabella dati, filtrati per grado

- Pesi delle Caratteristiche per Campione — barre impilate e tabella dati, filtrati per ruolo e grado

## Cosa significavano le caratteristiche

Differenza oro della contromossa in corsia misurava la differenza media storica di oro a 15 minuti tra il campione del giocatore e il suo avversario di lane.

Percentuale di vittoria della contromossa in corsia misurava il percentuale di vittorie storico del campione del player contro il suo avversario di lane.

Contromossa globale misurava il delta cumulato di percentuale di vittorie dal 50% tra il campione del player e ciascuno dei quattro campioni nemici non di lane.

Game Synergy misurava il delta cumulato di percentuale di vittorie dal 50% tra il campione del player e i campioni alleati, escludendo il partner di bot lane tranne dove la lane synergy era modellata direttamente.

Meta indicava il percentuale di vittorie complessivo del campione per quel ruolo e grado.

Lane Synergy WR si applicava solo alla bot lane e misurava il percentuale di vittorie storico del duo ADC-Support.

Lane Synergy Gold si applicava solo alla bot lane e misurava la differenza combinata di oro a 15 minuti per il duo ADC–Support.

## Metodologia

L'analisi ha utilizzato una funzione di collegamento logistico (Bernoulli Logit) per modellare la probabilità di vittoria in funzione delle sette caratteristiche standardizzate sopra, con cinque caratteristiche per i ruoli non-bot e sette per la bot lane.

"Standardizzata" significa che tutte le caratteristiche sono state scalate a media zero e varianza unitaria prima dell'adattamento del modello. Questo ha reso i coefficienti direttamente comparabili, anche se le caratteristiche originali erano misurate su scale diverse.

L'importanza delle caratteristiche è stata quantificata normalizzando i valori assoluti dei coefficienti standardizzati, esprimendo ciascuno come percentuale della magnitudine totale dell'effetto all'interno del modello.

Per l'analisi per ruolo, è stato adattato un modello gerarchico a effetti misti per ogni ruolo utilizzando GPBoost, con il tier di grado come variabile di raggruppamento per intercette e pendenze casuali. Questo ha permesso al modello di "prendere in prestito forza" tra i tier — se un tier aveva dati limitati (es. Challenger), i suoi pesi venivano attirati verso la media della popolazione anziché produrre stime instabili. L'analisi per campione ha utilizzato la regressione logistica regolarizzata Ridge (penalità L2, C=1.0) per stabilizzare i coefficienti in campioni più piccoli.

Per prevenire la fuga di dati, l'analisi ha utilizzato la validazione incrociata 5-fold out-of-fold (OOF) stratificata a livello di partita, garantendo che tutti i dieci partecipanti di una singola partita fossero assegnati allo stesso fold e impedendo la fuga di informazioni intra-partita. Nel calcolo delle feature per le partite di un dato fold, le statistiche storiche sono state derivate solo dagli altri quattro fold. I p-value sono stati calcolati a livello di popolazione utilizzando errori standard cluster-robust raggruppati per partita, tenendo conto della correlazione tra le dieci righe di partecipanti all'interno di ogni partita.

## Significatività statistica e correlazione delle caratteristiche

La significatività statistica è stata riportata attraverso i p-value. I risultati erano contrassegnati come:

- p

Ruolo | Ctr Lane Oro | Ctr Lane WR | Game Ctr | Sinergia | Meta | Sin Lane WR | Sin Lane Oro |

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% |

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

## Conclusione

### Quanto è importante vincere la fase di lane?

- La differenza d’oro a 15 minuti ha mostrato un segnale rilevante in corsia superiore. In corsia centrale il contributo diventava più visibile ai rank alti.

- La stessa misura non era statisticamente significativa per l’ADC in questo modello. Il support mostrava un contributo della fase di corsia, ma inferiore alle corsie in solitaria.

### Quanto è importante scegliere un campione adatto alla composizione del team?

- Nel complesso, è più rilevante per i mid laner e i jungler, ma resta comunque rilevante per le altre lane.

- Una buona coppia ADC + Support ha scarso impatto sulla vittoria in fase di lane, ma influenza considerevolmente il resto della partita.

### Quanto è rilevante contrare le scelte nemiche?

- Contrare il tuo abbinamento di lane va oltre la fase di lane, e l'impatto delle contromosse di lane dopo la fine della fase è maggiore rispetto a durante.

- Anche gli scontri con le altre corsie avevano un peso rilevante tra ruoli e rank. In molte celle, la contromossa globale era il singolo fattore più importante.

### E per quanto riguarda la meta?

- L'elo Gold è un'eccezione dove il meta ha poco impatto sul percentuale di vittorie. Per gli altri elo, ha un impatto considerevole.

- Il Meta pesava di più in molte celle dei rank bassi e meno in buona parte di Gold e Platinum. Lo schema cambiava in base al ruolo, quindi una sola regola per rank sovrastimerebbe il risultato.

### Quanto sopra cambia da campione a campione?

- Le stime variavano molto tra i campioni e i campioni statistici più piccoli limitavano i confronti solidi. Katarina, LeBlanc e Kassadin erano esempi in cui la misura della fase di corsia pesava molto più che per molti altri campioni.

## Perché il Meta non appare nella tabella per campione

Meta non appariva nella tabella per campione per una ragione statistica. Quando l'analisi era ristretta a un singolo gruppo campione-ruolo-grado, il percentuale di vittorie meta di quel campione era lo stesso valore per ogni partita nel gruppo. Una caratteristica che non varia tra le osservazioni non può essere stimata dalla regressione logistica.

Per questa ragione, il contributo di Meta alla vittoria era catturato nell'analisi per ruolo, dove campioni diversi con tassi di vittoria meta diversi apparivano nello stesso gruppo, ma non appariva nell'analisi per campione.

## Bias noto

L'analisi ha identificato un bias importante nell'analisi per ruolo: i tassi di pick dei campioni erano sbilanciati. I campioni popolari contribuivano molti più dati rispetto ai pick rari — in alcuni casi fino a 20 volte di più. Di conseguenza, le regressioni per ruolo erano influenzate in modo sproporzionato dai campioni popolari.

L'analisi per campione non era affetta da quel bias specifico, poiché ogni campione era analizzato indipendentemente.

[← Home](https://baronbuff.com/it/)
## 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)