守望先锋英雄梯度排行（守望先锋数据帝来袭）

本文分析了新赛季定级分数与上赛季最终分数，最高分数，定级胜场次，负场次，平场次，定级所打位置的关系

根据分析结果，本文认为

• 定级分数与上赛季最高分几乎无关(但是像那种3500分一直没打掉到3000得，以3500算)

• 定级分数在上赛季最终分数附近波动

• 想通过代练定级上大师的省省钱去买个汉堡吃吧，很困难的

• 暴雪似乎在有意识的平衡坦克和辅助的分数，上赛季那种输出得分多的情况得到一定缓解

• 模型截距为负数，也就是说，暴雪会把上赛季最终分数较低得朋友得定级分数搞低，而高分段几乎不受影响

• 感觉目前得定级赛遵循得是从高往低排，简单点说就是大师得对面是宗师，白金得对面是大师，以此类推，输了就往下掉，赢了就往上升，所以也会出现一些大师3胜4胜依然是大师得情况

• 如果有自信想定级上分请单排，通过低分队友拉低队伍等级上分得方式被抑制，因为对手得分不高，你得胜场次加分很少

• 本模型更适合单排得情况，或者同分段组排

数据征集

上赛季结束分数上赛季最高分胜利场次失败场次的平方位置10场定级后分数33503500436103200320035009153700370038001001040003500370052553500350039005251035003100380026453000365037504366370026252850616525003000303179102825367541003491036753075320041682952232523677910213329333206616328782729282252542749

回归结果：

定级分数=1*上赛季结束分数 0.24*上赛季最高分 75*胜利场次-1*失败场次的平方-25*位置-1100 临场发挥

详细分析：

Call:

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

Residuals:

Min 1Q Median 3Q Max

-2.7702 -1.3007 -0.1888 1.1002 3.6472

Coefficients:

Estimate Std. Error t value Pr(>|t|)

(Intercept) -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 .

---

Signif. codes:

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

Residual standard error: 2.311 on 8 degrees of freedom

Multiple R-squared: 0.9712, Adjusted R-squared: 0.9532

F-statistic: 53.91 on 5 and 8 DF, p-value: 6.014e-06

通过p值与R square可以看到回归结果还算可以接受，还可以进一步分析，不过我比较懒。。。

分析：

从回归结果来看失败场次得平方貌似不太对，得到的参数很小，不过某种程度上也对，因为10负会直接减400分，符合暴雪想减分的目标

同时位置的参数为负值，与我们所想不符合，可能原因有位置参数的值设置得太大，又或者暴雪在考虑增加奶和坦克得得分权重

截距为-1100说明对于上赛季最高分不是很高的朋友们，你们的分数可能要被减去不少，不过样本集都是黄金以上的，所以也不清楚实际会怎么样，可能钻石以下段位有其他的计算方式(如果有足够的数据，我可以做分析)

上赛季最高分与失败场次平方的p值有点高，感觉不是很相关，去掉这两项使用净胜场次得回归结果为

定级分数=1.28*上赛季结束分数 30*净胜场次-27*位置-720 临场发挥

各数据p值及整体p值，R-square都很不错

主播数据分析

感谢数据提供者，我采用了其中一部分完整的数据如下，如有数据侵权，请联系我删除(数据一般都是很贵的东西)

<colgroup></colgroup>

id	wins	loses	draws	new rank	last season final	last seasonhighest	server place	live
菜包	8	2	0	4619	4631	4631	国服	战旗
wNvbdosin	8	1	1	4547	4584	4660	国服	wNv
VGDiya	8	2	0	4534	4462	4497	国服	VG
吊打权限狗	8	2	0	4450	4404	4553	国服	熊猫
金木	7	2	1	4374	4430	4486	国服	CC直播
VGYumu	7	3	0	4324	4357	4357	国服	VG
MyThHYNiuB	4	5	1	4330	4528	4528	国服	MyTh
Maps	6	4	0	4281	4413	4463	国服	NGA.Titan
信之介	5	5	0	4277	4387	4402	国服	战旗
yaoyao	7	3	0	4234	4340	4364	国服	iG.I/熊猫
猫不会微笑	3	6	1	4219	4355	4382	国服	熊猫
新远	5	5	0	4217	4309	4401	国服	斗鱼
小绝	5	4	1	4198	4418	4552	国服	iG.I/火猫
JamLee	7	3	0	4090	4189	4468	国服	iG.I/熊猫
一波黑	2	7	1	3981	4270	4270	国服	斗鱼
Mangachu	5	5	0	4687	4681	4697	美服	Twitch
Surefour	10	0	0	4511	4493	4512	美服	Cloud9/Twitch
harbleu	4	2	3	4231	4300	4469	美服	compLexity.OW
iddqd	2	6	2	4421	4472	4472	欧服	Twitch
wNvHyeonu	6	1	3	4368	4423	4452

模型描述：

因为主播的分数都很高，另外有完整的胜负平场次，缺少位置数据(我不了解。。。，求补充)

因此模型为

定级分数=a*上赛季最终分 b*胜利场次 c*平局场次

不考虑负场次因为考虑后负场次p值过大，认为不合理，同时也符合暴雪的高分更高的理念，也就是不用负场次做惩罚

回归结果

Call:

lm(formula = zb$V4 ~ zb$V5 zb$V1 zb$V3)

Residuals:

Min 1Q Median 3Q Max

-1.22258 -0.38077 -0.04824 0.42840 1.05108

Coefficients:

Estimate Std. Error t value Pr(>|t|)

(Intercept) -10.95282 5.80406 -1.887 0.07743 .

zb$V5 1.19218 0.13326 8.946 1.26e-07 ***

zb$V1 0.27154 0.08449 3.214 0.00542 **

zb$V3 0.12718 0.18137 0.701 0.49323

---

Signif. codes:

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

Residual standard error: 0.6824 on 16 degrees of freedom

Multiple R-squared: 0.8759, Adjusted R-squared: 0.8526

F-statistic: 37.64 on 3 and 16 DF, p-value: 1.773e-07

即

定级分数=1.20*上赛季最终分数 27*胜利场次 12*平局场次-1090 临场发挥

(到主播这个水平，临场发挥可能都差不太多，因此胜场次的意义更为重要)

,