守望先锋的数据皇帝来了！新赛季预选赛数据分析，预测你能拿到多少分

2024-12-11 10:58:00 | 来源: 互联网整理

评分与上赛季最高分几乎没有关系（但如果像3500这样的分数没有降到3000，则会按3500计算）

评分围绕上赛季最终评分波动

通过代练升级到大师，想要攒钱买汉堡是非常困难的。

暴雪似乎有意识地平衡坦克和辅助的分数。上赛季高输出分数的情况得到了一定程度的缓解。

模型截距为负数，这意味着暴雪将会降低上赛季最终得分较低的朋友的评分，而高分的朋友则几乎不受影响。

我觉得现在的分班赛是按照从高到低的排名进行的。简单来说，大师的对手是特级大师，白金的对手是大师，等等。如果你输了，你就会下降，如果你赢了，你就会上升。所以会出现一些高手赢了3、4但仍然获得高手的情况。

如果你有信心，想要升级、增加积分，请单独排队。通过与低分队友拉低自己队伍等级来增加积分的方式受到压制，因为对手的分数不高，你赢得比赛得到的积分很少。

这种模式比较适合单个布置，或者同一段内的群组布置。

数据收集

急需大量铂金、黄金数据。如果您要参与数据，请按照上赛季最终得分、上赛季最高得分、胜负平局数以及排名中的顺序输入您的数据，中间用逗号分隔

例如3350,3500,4,36,10,3200

位置数据说明：10次DPS战斗计为10，10次坦克战斗计为5，10次治疗者战斗计为3。5次DPS战斗和5次治疗者战斗计为6.5，以此类推。

好友评分模型：

评分=a*上赛季最终得分+b*上赛季最高得分+c*胜场数+d*输场数平方+e*位置+现场表现

目标：根据数据计算abcde

模型解释：观察数据感觉就像线性回归。考虑到暴雪表示要降低部分人的分数，所以以失败比赛次数的平方作为惩罚项，以现场表现作为随机项（如金牌数）、关键击杀等。这些没有可用的数据）

由于排名积分往往是比赛场数的数百倍，不利于计算，这里我们将所有排名等级除以50做回归。

位置为输出位置10分，罐位5分，牛奶位置3分。这取决于混合时间。比如5场输出5场坦克算7.5，8场输出2场奶算8.6。

数据：

目前原贴友打出的数据有些异常（3胜，分数不变）。我不知道它是怎么发生的。我想一定是我现场表现得很好，但就是没赢。

科尔集团

上赛季最终得分上赛季最高得分胜负平方位置10场比赛后得分33503500436103200320035009153700370038001001040003500370052553500350039005251035003100380026453000 3650375043663700262528506165250030003031791028253675410034910367530753200416829522325236779102133293332066163287827292822 52542749回归结果：

评分=1*上赛季最终得分+0.24*上赛季最高得分+75*胜场数-1*负数平方-25*排名-1100+现场表现

详细分析：

拨打：

lm(公式=y ~ x$V1 + x$V2 + x$V3 + x$V4 + x$V5)

残差：

最小1Q 中值3Q 最大

-2.7702 -1.3007 -0.1888 1.1002 3.6472

系数：

估计标准。误差t值Pr(|t|)

（截距）-22.05257 6.63015 -3.326 0.01044 *

x$V1 1.00479 0.27637 3.636 0.00663 **

x$V2 0.24072 0.26184 0.919 0.38480

x$V3 1.52114 0.76815 1.980 0.08302 。

x$V4 0.02241 0.11205 0.200 0.84651

x$V5 -0.49286 0.25533 -1.930 0.08968 。

---

西尼夫。代码：

守望先锋的数据皇帝来了！新赛季预选赛数据分析，预测你能拿到多少分

0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

8 个自由度上的残余标准误差： 2.311

多重R-squared: 0.9712，调整R-squared: 0.9532

5 和8 DF 上的F 统计量： 53.91，p 值： 6.014e-06

通过p值和R平方可以看出回归结果还算可以接受，可以进一步分析，只是我偷懒了。

分析：

从回归结果来看，失败游戏次数的平方似乎不正确。得到的参数很小，但在一定程度上是正确的，因为10次损失会直接减少400分，这符合暴雪减少积分的目标。

同时，position参数为负值，与我们想象的不符。可能的原因是位置参数的值设置太大，或者暴雪正在考虑增加牛奶和坦克分数的权重。

拦截是-1100，这意味着对于那些上赛季最高分不是很高的朋友来说，你的分数可能会被减去很多。不过样本集都是黄金以上，所以不知道实际会发生什么。它可能是钻石或以下。还有其他的rank计算方法（如果数据足够的话我可以做分析）

上赛季最高得分和平方损失的p值有点高，感觉不太相关。去掉这两项，用净胜数得到回归结果：

评分=1.28*上赛季末得分+30*净胜场数-27*排名-720+现场表现

R 方对于每个数据p 值和总体p 值都非常有用。

锚定数据分析

科尔集团

idwinslosesdraws新排名上赛季决赛上赛季最高服务器位livecaibao820461946314631国服战旗wNvbdosin811454745844660国服wNvVGDiya820453444624497国服VG挂权威狗820445044044553国服金木721437熊猫44 4304486 国服CC直播VGYumu730432443574357 国服VGMyThHYNiuB451433045284528 国服MyThMaps640428144134463 国服NGA.Titan Shinnosuke 550427743874402 国服Zhanqi7304234434 04364 国家服务器iG.I/熊猫不会笑361421943554382 国服熊猫心源550421743094401 国服斗鱼小决541419844184552 国服iG.I/火猫Jamlee730409041894468 国服iG.I/熊猫一波黑2713981427042 70国服务器斗鱼Mangachu550468746814697美国服务器TwitchSurefour1000451144934512美国服务器Cloud9/Twitchharbleu423423143004469美国服务器复杂性。 OWiddqd262442144724472 欧洲服务器TwitchwNvHyeonu61343684423445 2型号说明：

因为主播的分数都很高，而且有完整的胜负平局，但是缺少位置数据（看不懂……请补充）

因此模型是

资格赛积分=a*上赛季最终积分+b*胜场数+c*平局数

不考虑负博弈的数量，因为负博弈的p值太大，被认为是不合理的。这也符合暴雪高分的理念，即负局没有惩罚。

回归结果

拨打：

lm(公式=zb$V4 ~ zb$V5 + +zb$V1 + zb$V3)

残差：

最小1Q 中值3Q 最大

-1.22258 -0.38077 -0.04824 0.42840 1.05108

系数：

估计标准。误差t值Pr(|t|)