分层建模
将长期实力、近期状态与单场情境分开处理，减少短期波动对整体判断的过度影响。
Method overview
方法概览
预测模型的任务不是“宣布谁一定获胜”，而是根据赛前能够获得的信息，估计双方在当前条件下的相对获胜机会。概率会随着新比赛、阵容确认、版本变化和赛制信息更新。
模型首先建立队伍的基础实力评分，再加入与具体对局有关的环境修正，最后将评分差转换为胜率区间。输出同时附带可信度标签，帮助区分数据充分的稳定估计与信息不足的初步判断。
核心解释
65% 胜率不等于必胜
它表示在模型认为相似的条件下，该队伍更可能取胜，但另一方仍保留显著的获胜可能。
较低机会
较高机会
滚动更新
新结果和已确认信息进入数据流程后重新计算，历史较远的比赛影响逐步降低。
结果可解释
通过输入类别、调整方向和可信度状态说明预测变化，而不是只展示一个孤立数字。
Data inputs
数据输入
输入数据按稳定性和时效性分层。模型不会仅依据胜负记录，而会结合比赛过程、对手质量与当前赛事环境理解结果。
近期比赛表现
关注最近阶段的系列赛和小局表现，并通过时间衰减让较新的数据获得更高影响。
对手强度
同样的胜负结果会因对手水平不同而获得不同评价，避免简单累计胜率造成偏差。
小局过程数据
参考经济节奏、资源控制、推进效率、优势转化和落后局韧性等可比较指标。
阵容与人员
在名单得到可靠确认后，评估首发稳定性、位置变化与人员缺席可能带来的影响。
比赛版本
将版本更替视为环境变化，关注队伍英雄池、战术体系与当前版本需求的适配程度。
选边与赛制
在信息可用时纳入先后选、地图选择、Bo3或Bo5长度以及特殊选秀规则。
数据可用性优先
未确认的传闻、来源不清的训练赛信息和无法稳定比较的数据不会直接作为核心输入。缺失信息会降低预测可信度，而不是由模型自行补全。
Team rating
队伍评级如何形成
基础评级描述队伍在中性条件下的相对实力。它并不是固定排名，而是随比赛证据持续变化的估计值。
概念表达
历史基础
近期表现
对手修正
赛区校准
基础实力评分
根据一段合理观察期内的系列赛、小局质量和对手水平，估计队伍的中长期竞争力。
时间衰减
越早的比赛通常获得越低权重，降低旧阵容、旧版本与过时战术对当前预测的干扰。
跨赛区校准
国内联赛数据不能直接等同于国际赛表现。模型利用可比较的国际交手与赛事结果调整赛区之间的基准差异。
Context adjustment
比赛情境调整
相同的两支队伍，在不同赛制、版本和选秀条件下可能得到不同概率。情境层用于描述这种具体对局差异。
系列赛长度修正
较长系列赛通常给予强队更多纠错机会，也更考验英雄池、战术储备和局间调整能力。模型先估计单局相对强度，再结合赛制结构计算系列赛获胜概率。
- 区分单局概率与系列赛概率
- 考虑局间适应与阵容深度
Fearless Draft修正
当赛事采用限制已选英雄重复使用的规则时，后续小局更依赖英雄池宽度、替代体系与位置摇摆能力。模型会降低单一强势体系的可重复价值，并提高阵容深度的重要性。
具体修正取决于赛事公布的Fearless Draft规则版本，不假设所有赛事采用完全相同的限制。
First Selection与选边信息
若先选权、选边或相关规则已得到可靠确认，模型会参考当前版本的整体差异以及队伍自身在不同选择下的历史表现。该影响不会被永久固定，因为版本环境可能改变其价值。
未确认先选信息时，预测采用中性或按规则分布加权的情境，不把未知条件当作已知事实。
阵容与版本适配
首发变化、位置调整和版本更新可能让历史评级失去部分代表性。模型会缩短有效观察窗口或降低可信度，直到新阵容积累足够的正式比赛证据。
- 已确认首发信息可以触发赛前更新。
- 大版本切换会提高旧数据的不确定性。
- 样本不足时优先标记低可信度，而非做过度推断。
Probability & confidence
概率与可信区间
胜率回答“哪一方更可能获胜”，可信度回答“我们对这个概率有多大把握”。两者需要同时阅读。
较高可信度
数据连续且条件明确
阵容稳定、近期正式比赛充足、版本接近，且对手和赛制信息完整。
中等可信度
存在部分环境变化
数据量可用，但可能存在版本切换、跨赛区比较或部分比赛条件尚未确认。
数据不足
估计波动可能较大
新阵容、长期缺赛、重大规则变化或缺少可比较交手时，需要谨慎解释概率。
胜率应该怎样阅读？
-
1
先比较双方概率差距，而不是只判断是否超过50%。
-
2
同时查看可信度，低可信度预测可能在新信息出现后明显变化。
-
3
检查更新时间和比赛条件，避免使用已经被阵容或版本变化取代的判断。
概率变化常见原因
新增正式赛结果
首发阵容确认
比赛版本更新
选边信息确认
赛制规则变化
数据异常修正
概率更新并不自动意味着队伍真实实力发生同等幅度变化，也可能是信息完整度提高所致。
Model evaluation
模型评估原则
模型质量不能只看“猜对多少场”。评估还需要检查概率是否校准、误差是否稳定，以及记录是否完整。
时间顺序回测
使用当时能够获得的数据预测之后发生的比赛，避免把未来信息错误带入历史测试。
概率校准
检查模型给出相似概率的比赛是否出现相近的实际胜率，识别系统性高估或低估。
误差与分组检查
分析不同赛区、赛制、赛事阶段和版本环境下的误差，避免整体指标掩盖局部问题。
完整保留预测记录
评估应覆盖符合记录条件的全部预测，不只展示成功案例，也不在赛后改写赛前概率。
限制与使用边界
任何赛前模型都无法覆盖所有临场事件。
突发人员变化
临场换人、健康问题或设备状况可能在模型更新前影响比赛。
战术信息不可见
训练赛、内部准备和新战术通常不属于可靠公开数据。
样本并非完全独立
同一赛事和版本中的连续比赛可能共享环境与策略因素。
爆冷始终可能发生
优势队伍仍可能因操作、决策、选秀或随机波动输掉比赛。
FAQ
预测方法常见问题
不是。较高胜率只表示模型认为一方更有优势，另一方仍可能获胜。阅读概率时还应结合可信度、阵容状态、版本与更新时间。
新的正式比赛结果、首发确认、版本更新、选边信息或数据修正都可能改变输入，因此模型会重新估计双方概率。
预测模型以比赛和队伍数据为核心。赔率信息可用于观察市场差异或进行结果对照，但不应被直接视为独立模型的真实胜率答案。
新阵容缺少足够的正式比赛样本，旧阵容数据也未必能完整代表当前表现。模型会保留基础信息，但扩大不确定性并降低可信度。
应检查完整预测记录、时间顺序回测、概率校准和不同赛事场景下的误差，而不是只挑选少数命中比赛作为证明。