# Uma Análise Estatística das Features de Draft no League of Legends Ranqueado
Uma análise baseada em dados de 805.000 partidas ranqueadas mostrando como contraescolhas de rota, contraescolhas de jogo, sinergias e meta contribuem para vitórias.
Canonical HTML: https://baronbuff.com/pt-br/blog/features_weights/
Markdown URL: https://baronbuff.com/pt-br/blog/features_weights.md
Language: pt-BR
## Breadcrumbs

- [Baron Buff](https://baronbuff.com/pt-br/)
- [Blog](https://baronbuff.com/pt-br/blog/)
- Uma Análise Estatística das Features de Draft no League of Legends Ranqueado

## Page Content

Pesquisa • 2 de abril de 2026 • Baron Builder

Esta análise examinou 805.355 partidas ranqueadas de todas as regiões nos últimos quatro patches, correspondendo a 8.052.743 linhas de participantes do Iron ao Challenger. O objetivo foi estimar como sete features relacionadas ao draft contribuíram para a previsão de vitória usando a mesma estrutura estatística entre roles, ranks e campeões.

Para separar efeitos específicos da lane de efeitos mais amplos de composição de equipe, as variáveis de contraescolha e sinergia foram divididas em componentes de lane e cross-lane.

A análise por role utilizou um modelo hierárquico de efeitos mistos (GPBoost) com o tier de rank como variável de agrupamento. A análise por campeão utilizou regressão logística regularizada Ridge para estabilizar as estimativas dos coeficientes em amostras menores. Ambas as análises usaram validação cruzada 5-fold out-of-fold no nível de partida para evitar vazamento de dados.

Os resultados são exibidos nos gráficos e tabelas abaixo, filtráveis por role e rank:

- Pesos das Features por Role — barras empilhadas e tabela de dados, filtrados por rank

- Pesos das Features por Campeão — barras empilhadas e tabela de dados, filtrados por role e rank

## O que as features significavam

Diferença de ouro no confronto de rota mediu a diferença média de ouro histórica aos 15 minutos entre o campeão do jogador e seu oponente de lane.

Taxa de vitória de confronto de rota mediu a taxa de vitória histórica do campeão do jogador contra seu oponente de rota.

Vantagem contra o time inimigo mediu o delta somado de taxa de vitória a partir de 50% entre o campeão do jogador e cada um dos quatro campeões inimigos fora da lane.

Game Synergy mediu o delta somado de taxa de vitória a partir de 50% entre o campeão do jogador e os campeões aliados, excluindo o parceiro de bot lane exceto onde a sinergia de lane foi modelada diretamente.

Meta se referiu à taxa de vitória geral do campeão para aquela role e rank.

Lane Synergy WR se aplicou apenas à bot lane e mediu o taxa de vitória histórico da dupla ADC–Suporte.

Lane Synergy Gold se aplicou apenas à bot lane e mediu a diferença combinada de ouro aos 15 minutos para a dupla ADC–Suporte.

## Metodologia

A análise utilizou uma função de ligação logística (Bernoulli Logit) para modelar a probabilidade de vitória em função das sete features padronizadas acima, com cinco features para roles fora da bot lane e sete para bot lane.

"Padronizada" significa que todas as features foram escalonadas para média zero e variância unitária antes do modelo ser ajustado. Isso tornou os coeficientes diretamente comparáveis, mesmo que as features originais fossem medidas em escalas diferentes.

A importância das features foi quantificada normalizando os valores absolutos dos coeficientes padronizados, expressando cada um como porcentagem da magnitude total do efeito dentro do modelo.

Para a análise por role, um modelo hierárquico de efeitos mistos foi ajustado por role usando GPBoost, com o tier de rank como variável de agrupamento para interceptos e inclinações aleatórias. Isso permitiu que o modelo "emprestasse força" entre tiers — se um tier tinha dados limitados (ex: Challenger), seus pesos eram puxados em direção à média populacional ao invés de produzir estimativas instáveis. A análise por campeão utilizou regressão logística regularizada Ridge (penalidade L2, C=1.0) para estabilizar os coeficientes em amostras menores.

Para evitar vazamento de dados, a análise utilizou validação cruzada 5-fold out-of-fold (OOF) estratificada no nível de partida, garantindo que todos os dez participantes de uma mesma partida fossem atribuídos ao mesmo fold e prevenindo vazamento de informação intra-partida. Ao calcular features para partidas de um determinado fold, as estatísticas históricas foram derivadas apenas dos outros quatro folds. Os p-values foram calculados no nível populacional usando erros padrão cluster-robust agrupados por partida, levando em conta a correlação entre as dez linhas de participantes dentro de cada partida.

## Significância estatística e correlação de features

A significância estatística foi reportada através de p-values. Os resultados foram marcados como:

- p

Role | Ctr Lane Ouro | Ctr Lane WR | Game Ctr | Sinergia | Meta | Sin Lane WR | Sin Lane Ouro |

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

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

Meio | 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% |

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

## Conclusão

### Quão importante é vencer a fase de lane?

- A diferença de ouro aos 15 minutos trouxe um sinal relevante na rota superior. No meio, a contribuição ficou mais visível nos elos altos.

- A mesma medida não foi estatisticamente significativa para ADC nesse modelo. O suporte apresentou alguma contribuição da fase de rotas, mas abaixo das rotas solo.

### Quão importante é escolher um campeão que se encaixe na composição do seu time?

- No geral, é mais relevante para os mid laners e caçadores, mas ainda é relevante para as outras rotas.

- Uma boa dupla ADC + Support quase não impacta em vencer a fase de lane, mas afeta consideravelmente o resto da partida.

### Quão relevante é contrar as escolhas inimigas?

- Responder ao seu confronto de lane vai além da fase de lane, e o impacto das contraescolhas de lane após o término da fase é maior do que durante ela.

- Os confrontos contra outras rotas também tiveram peso relevante em funções e elos diferentes. Em muitas células, a vantagem contra o time inimigo foi o maior fator isolado.

### E quanto ao meta?

- Em elo médio a alto (Plat+), o meta quase não importa para ADC, mas ainda é relevante para os outros roles.

- O Meta teve mais peso em muitas células dos elos baixos e menos em boa parte de Ouro e Platina. Como o padrão mudou por função, uma única regra por elo exageraria o resultado.

### O que foi dito acima muda de campeão para campeão?

- As estimativas variaram bastante entre campeões, e amostras menores limitaram comparações firmes. Katarina, LeBlanc e Kassadin foram exemplos em que a medida da fase de rotas teve muito mais peso do que para vários outros campeões.

## Por que Meta não aparece na tabela por campeão

Meta não apareceu na tabela por campeão por uma razão estatística. Quando a análise foi restrita a um único grupo campeão-role-rank, a taxa de vitória de meta daquele campeão era a mesma para cada partida do grupo. Uma feature que não varia entre observações não pode ser estimada por regressão logística.

Por essa razão, a contribuição de Meta para a vitória foi capturada na análise por role, onde diferentes campeões com diferentes taxas de vitória de meta apareciam no mesmo grupo, mas não apareceu na análise por campeão.

## Viés conhecido

A análise identificou um viés importante na análise por role: as taxas de pick dos campeões eram desbalanceadas. Campeões populares contribuíram com muito mais dados do que picks raros — em alguns casos até 20× mais. Como resultado, as regressões por role foram desproporcionalmente influenciadas por campeões populares.

A análise por campeão não foi afetada por esse viés específico, já que cada campeão foi analisado independentemente.

[← Início](https://baronbuff.com/pt-br/)
## 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)