# Statystyczna analiza cech draftu w grach rankingowych League of Legends Oparta na danych analiza 805 000 gier rankingowych, pokazująca, jak kontry w alei, kontry w skali gry, synergia i meta przekładają się na wygrywanie. Canonical HTML: https://baronbuff.com/pl/blog/features_weights/ Markdown URL: https://baronbuff.com/pl/blog/features_weights.md Language: pl ## Breadcrumbs - [Baron Buff](https://baronbuff.com/pl/) - [Blog](https://baronbuff.com/pl/blog/) - Statystyczna analiza cech draftu w grach rankingowych League of Legends ## Page Content Badania • 2 kwietnia 2026 • Baron Builder Analiza objęła 805 355 gier rankingowych ze wszystkich regionów z ostatnich czterech patchów, co odpowiada 8 052 743 wierszom uczestników — od Żelaza po Pretendenta. Celem było oszacowanie, w jakim stopniu siedem cech związanych z draftem przekładało się na przewidywanie zwycięstwa, przy użyciu tych samych ram statystycznych dla wszystkich ról, rang i bohaterów. Aby oddzielić efekty specyficzne dla alei od szerszych efektów składu drużyny, zmienne kontr i synergii podzielono na część dotyczącą własnej alei i część obejmującą pozostałe aleje. Analiza według ról wykorzystała hierarchiczny model efektów mieszanych (GPBoost) z rangą jako zmienną grupującą. Analiza według bohaterów wykorzystała regresję logistyczną z regularyzacją Ridge, aby ustabilizować oszacowania współczynników w mniejszych próbach. Obie analizy stosowały 5-krotną walidację krzyżową out-of-fold na poziomie meczu, aby zapobiec wyciekowi danych. Wyniki przedstawiono poniżej na wykresach i w tabelach, z możliwością filtrowania według roli i rangi: - Wagi cech według roli — skumulowane słupki i tabela danych, filtrowane według rangi - Wagi cech według bohatera — skumulowane słupki i tabela danych, filtrowane według roli i rangi ## Co oznaczały poszczególne cechy Cecha „Kontra (aleja): złoto” mierzyła historyczną średnią różnicę złota w 15. minucie między bohaterem gracza a bohaterem przeciwnika w tej samej alei. Cecha „Kontra (aleja): WR” mierzyła historyczny współczynnik zwycięstw bohatera gracza w starciu z przeciwnikiem w alei. Cecha „Kontra (gra)” mierzyła zsumowane odchylenie współczynnika zwycięstw od 50% między bohaterem gracza a każdym z czterech wrogich bohaterów spoza jego alei. Cecha „Synergia (gra)” mierzyła zsumowane odchylenie współczynnika zwycięstw od 50% między bohaterem gracza a bohaterami sojuszników, z pominięciem partnera z dolnej alei tam, gdzie synergię w alei modelowano bezpośrednio. Cecha „Meta” oznaczała ogólny współczynnik zwycięstw bohatera dla danej roli i rangi. Cecha „Synergia (aleja): WR” dotyczyła wyłącznie dolnej alei i mierzyła historyczny współczynnik zwycięstw pary ADC i wspierającego. Cecha „Synergia (aleja): złoto” dotyczyła wyłącznie dolnej alei i mierzyła łączną różnicę złota w 15. minucie dla pary ADC i wspierającego. ## Metodologia Analiza wykorzystywała logistyczną funkcję łączącą (Bernoulli Logit) do modelowania prawdopodobieństwa zwycięstwa jako funkcji siedmiu ustandaryzowanych cech draftu opisanych powyżej, przy czym dla ról spoza dolnej alei używano pięciu cech, a dla dolnej alei — siedmiu. „Ustandaryzowane” oznacza, że przed dopasowaniem modelu wszystkie cechy przeskalowano do średniej zero i wariancji jednostkowej. Dzięki temu dopasowane współczynniki są bezpośrednio porównywalne, mimo że pierwotne cechy mierzono w różnych skalach. Ważność cech skwantyfikowano przez normalizację wartości bezwzględnych ustandaryzowanych współczynników, wyrażając każdą z nich jako procent łącznej wielkości efektów w modelu. W analizie według ról dla każdej roli dopasowano hierarchiczny model efektów mieszanych przy użyciu GPBoost, z rangą jako zmienną grupującą dla losowych wyrazów wolnych i losowych nachyleń. W analizie według bohaterów zastosowano regresję logistyczną z regularyzacją Ridge (kara L2, C=1.0), aby ustabilizować oszacowania współczynników w mniejszych próbach na poziomie pojedynczego bohatera. Aby zapobiec wyciekowi danych, zastosowano 5-krotną walidację krzyżową out-of-fold (OOF) ze stratyfikacją na poziomie meczu, dzięki czemu wszystkich dziesięciu uczestników danego meczu trafiało do tej samej części (fold), co zapobiegało przeciekowi informacji wewnątrz meczu. Podczas obliczania cech dla meczów w danej części statystyki historyczne wyznaczano wyłącznie na podstawie pozostałych czterech części. Wartości p obliczono na poziomie populacji przy użyciu błędów standardowych odpornych na klastrowanie (cluster-robust), grupowanych według meczów, z uwzględnieniem korelacji między dziesięcioma wierszami uczestników w obrębie każdego meczu. ## Istotność statystyczna i korelacja cech Istotność statystyczną raportowano za pomocą wartości p. Wyniki oznaczano jako: - p Rola | Kontra (aleja): złoto | Kontra (aleja): WR | Kontra (gra) | Synergia | Meta | Synergia (aleja): WR | Synergia (aleja): złoto | Góra | 19.8% | 7.7% | 20.3% | 12.2% | 40.0% | — | — | Dżungla | 6.4% | 4.5% | 23.9% | 15.9% | 49.3% | — | — | Środek | 11.6% | 10.2% | 18.5% | 16.9% | 42.9% | — | — | Dół | 1.8% | 9.4% | 26.2% | 16.8% | 27.0% | 15.6% | 3.3% | Wsparcie | 3.7% | 15.4% | 29.5% | 4.4% | 26.2% | 17.5% | 3.3% | ## Wnioski ### Jak ważne jest wygranie fazy alei? - Różnica w złocie po 15 minutach była istotnym sygnałem w górnej alei. W środkowej alei jej udział stawał się wyraźniejszy na wyższych rangach. - Ta sama miara nie była statystycznie istotna dla ADC w tym modelu. U wspierających faza alei wnosiła pewien sygnał, ale mniejszy niż na alejach solo. ### Jak ważny jest wybór bohatera pasującego do składu twojej drużyny? - Ogólnie ma to większe znaczenie dla graczy środkowej alei i dżunglerów, ale pozostaje istotne także dla pozostałych alei. - Dobra para ADC + wspierający ma minimalny wpływ na wygranie fazy alei, ale znacząco wpływa na resztę gry. ### Jak istotne jest kontrowanie wyborów przeciwnika? - Kontrowanie przeciwnika w twoim starciu w alei sięga poza fazę alei — wpływ kontr w alei po jej zakończeniu jest większy niż w trakcie fazy alei. - Starcia z bohaterami z innych alei także miały znaczną wagę w różnych rolach i rangach. W wielu komórkach kontra w skali gry była największym pojedynczym czynnikiem. ### A co z metą? - Na średnim i wysokim elo (Platyna+) meta ma znikome znaczenie dla ADC, ale wciąż jest istotna dla pozostałych ról. - Meta miała większą wagę w wielu komórkach niższych rang, a mniejszą w dużej części Złota i Platyny. Wzorzec zależał od roli, więc jedna reguła dla całej rangi zawyżałaby wynik. ### Czy powyższe wnioski różnią się między bohaterami? - Szacunki mocno różniły się między bohaterami, a mniejsze próby ograniczały pewne porównania. Katarina, LeBlanc i Kassadin to przykłady, w których miara fazy alei miała znacznie większą wagę niż u wielu innych bohaterów. ## Dlaczego meta nie pojawiła się w tabeli według bohaterów Meta nie pojawiła się w tabeli według bohaterów z przyczyn statystycznych. Gdy analizę ograniczano do jednej grupy bohater–rola–ranga, meta tego bohatera — jego ogólny współczynnik zwycięstw — przyjmowała tę samą wartość w każdym meczu tej grupy. Cechy, która nie zmienia się między obserwacjami, regresja logistyczna nie jest w stanie oszacować. Z tego powodu wkład mety w wygrywanie został ujęty w analizie według ról — tam w jednej grupie występowali różni bohaterowie o różnych wartościach mety — natomiast w analizie według bohaterów meta się nie pojawiła. ## Znane obciążenie W analizie według ról zidentyfikowano jedno istotne obciążenie: częstość wybierania bohaterów była niezrównoważona. Popularni bohaterowie dostarczali znacznie więcej danych niż rzadkie wybory — w niektórych przypadkach nawet 20× więcej. W efekcie regresje według ról były nieproporcjonalnie silnie kształtowane przez popularnych bohaterów. Analizy według bohaterów to konkretne obciążenie nie dotyczyło, ponieważ każdego bohatera analizowano niezależnie. [← Strona główna](https://baronbuff.com/pl/) ## 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)