近期状态
越接近当前比赛的样本通常越有参考价值，但会同时修正赛程强弱，避免只按连胜或连败排序。
Editorial principle
好的预测首先承认未知
世界赛样本稀缺、版本变化快，队伍之间也不一定拥有足够多的直接交手记录。预测工作的核心并不是寻找一个永远正确的指标，而是判断哪些历史信息仍然适用于当前比赛，并控制过时数据或偶然结果造成的影响。
因此，本站把预测理解为一个持续修订的判断过程：先建立可追溯的数据基线，再根据对手质量、阵容与版本环境调整，最后将结论表达为概率区间。概率越接近，并不意味着模型“没有意见”；它可能恰恰说明双方差距不足以覆盖现有不确定性。
Method flow
从原始比赛记录到可解释概率
每次计算都遵循同一条主线，但不同阶段使用的信息权重会随赛事进程变化。刚进入世界赛时，区域联赛表现更有参考价值；跨赛区比赛积累后，现场样本与当前版本表现会逐渐获得更高权重。
-
01
采集与对齐
汇总赛程、赛果、地图记录、队伍统计、版本和赔率类别数据，并统一队名、赛事阶段、比赛时间与系列赛结构。
-
02
清洗与降噪
处理重复记录、异常时间、阵容变更与不同赛制口径，避免把较早版本或低相关样本直接当作当前实力。
-
03
建模与加权
对近期状态、对手强度、地图能力、赛制适应和可确认的阵容信息进行组合，形成比赛与系列赛层面的相对评分。
-
04
概率与校准
将相对评分转换为胜率和比分分布，并参考历史预测的校准情况，限制过度自信的极端概率。
Data inputs
数据来源按用途分层
并非所有数据都以相同方式进入模型。可确认的比赛事实用于建立基础记录，统计指标用于描述表现，市场数据则主要承担对照与变化观察的作用。
单一数据源出现延迟或口径冲突时，不应通过猜测补齐。相关记录会暂缓纳入，直到能够完成交叉核对。
数据类别
主要用途
处理原则
赛程与赛果
确认对阵、比赛阶段、系列赛长度、地图比分和完成状态。
事实基线
队伍与地图统计
衡量近期表现、地图稳定性、领先转化以及不同对手下的表现差异。
按时间与对手加权
阵容与选手信息
识别首发调整、位置变化及阵容连续性，避免沿用失效的队伍评价。
仅采用可确认信息
版本与赛制信息
判断历史样本与当前环境是否可比，并区分单局、BO3与BO5结构。
优先当前环境
赔率与盘口快照
换算市场隐含概率，观察不同时间点与不同数据类别之间的变化。
去除水位后比较
Prediction variables
变量不是清单，而是一组相互制约的证据
连胜可以代表状态，也可能来自较弱赛程；地图胜率可以显示稳定性，也可能被少量样本放大。模型不会孤立读取一个数字，而是结合数据产生的环境判断其解释力。
对手强度
战胜强队与战胜弱队不能获得相同评价；对手质量也用于解释表面相近的胜率。
阵容连续性
首发与位置调整可能使历史队伍数据失去部分代表性，确认后的阵容信息会触发重新评估。
版本适配
英雄优先级、资源节奏和战术风格会随版本改变，跨版本样本需要降低直接比较权重。
选边与地图环境
选边信息可用于比赛级微调，但通常不会替代队伍实力与系列赛适应能力等核心变量。
赛制结构
单局与多局系列赛的爆冷空间不同，BO5还会放大英雄池、调整速度和体能管理的重要性。
Model output
概率应该怎样阅读
页面中的胜率、比分分布和冠军概率回答的是不同问题。将这些输出混为一谈，容易把相对优势误读为确定结果。
示例：赛前系列赛胜率
队伍 A 对阵 队伍 B
仅用于解释概率，不代表实际比赛预测
队伍 A · 64%
36% · 队伍 B
正确理解
在相似条件反复出现时，A 被判断为更常获胜的一方。
不能推导
不能据此断言 A 必胜，也不能直接确定具体比分。
需要结合
查看更新时间、阵容状态和概率变化原因。
比赛胜率
表示某支队伍赢得当前比赛或系列赛的概率，是最直接的相对强弱输出。
比分分布
把系列赛胜率拆分到可能比分。所有比分概率应作为完整分布阅读，而不是只看最高的一项。
地图概率
描述单张地图的获胜机会，会受前序比赛信息、选边和系列赛状态影响。
冠军概率
综合当前实力、晋级路径和潜在对手计算，会随着赛果和淘汰赛对阵显著变化。
Odds processing
赔率是市场参照，不是模型答案
十进制赔率可以通过“1 ÷ 赔率”换算为原始隐含概率，但同一市场内双方原始概率之和通常不等于 100%。因此比较前需要进行归一化，减少水位空间对表面概率的影响。
基础换算
原始隐含概率 = 1 ÷ 十进制赔率
双向市场归一化
调整概率 = 单方原始概率 ÷ 双方原始概率之和
比较赔率变化时，我们关注什么
-
同一时间口径
开盘、临场和比赛进行中的价格反映不同信息环境，不应直接混成一个静态平均值。
-
同一市场类型
比赛胜负、让分、总地图数与单图市场对应不同事件，只在相同结算条件下比较。
-
方向与持续性
短暂跳动可能来自流动性或单一来源调整，持续且多来源一致的变化通常更值得观察。
Evaluation
回测不只统计“猜对了几场”
如果模型总是给热门方略高于五成的概率，它可能拥有不错的命中率，却没有真正区分强弱。评价体系需要同时检查结果、概率质量和测试过程是否公平。
命中率
统计预测倾向的一方最终获胜的比例。它直观，但容易受到热门方占比和样本结构影响，不能单独证明概率可靠。
概率校准
检查相近概率区间是否产生相近的实际结果频率。长期而言，标注为较高胜率的样本应比接近均势的样本更常获胜。
概率损失
对过度自信的错误给予更大惩罚，用于识别模型是否经常把不稳定比赛判断成接近确定的结果。
分段表现
按赛事阶段、赛制、版本环境与概率区间拆分结果，避免总体数据掩盖模型在特定场景下的弱点。
预测时点固定
回测只使用当时已经可获得的信息，赛后出现的阵容、赛果或版本解释不得反向加入。
结算口径一致
延期、取消、重赛和技术判定需要单独标记，避免不同状态被错误计为普通胜负。
样本边界公开
不同版本、年份与赛制的结果不应无条件合并；样本较小时，结论需保留更大不确定性。
Update cadence
预测何时更新
更新并不是简单地按固定时钟刷新。只有当新的数据能够改变当前判断时，概率修订才具有实际意义。
-
对阵与赛程确认后
建立初始预测，使用当前可确认的赛制、队伍状态、历史表现和潜在阵容信息。
-
阵容、版本或比赛条件变化时
重新检查历史样本的适用性。重大首发调整或版本切换可能比普通近期赛果产生更大影响。
-
临近开赛且出现有效新信息时
结合确认阵容、选边与市场变化完成赛前修订，并保留更新时间以区分不同版本的预测。
-
比赛完成后
按既定结算标准记录结果。赛后数据用于未来评估与模型更新，不反向覆盖原始赛前预测。
Limits and responsibility
模型无法消除比赛本身的随机性
预测可以整理信息，却不能提前知道临场沟通、战术准备、设备问题或关键团战中的即时决策。以下限制会直接影响概率质量，也决定了结果不应被当作保证。
数据延迟
赛程、阵容或赛果修订可能晚于事件发生时间，短期内造成页面与现场状态不一致。
阵容突变
临时替补、位置变化与健康状况可能没有足够历史样本，模型只能扩大不确定性而非准确量化。
小样本
国际赛事交手有限，短期胜率和地图统计容易被少数极端比赛放大。
单局波动
一级团、关键资源争夺或一次失误都可能改变单局方向，这类事件无法被赛前模型逐项预知。
使用边界
LOL总决赛预测数据站提供的数据和概率用于赛事信息整理、比较与赛前讨论。任何预测都可能出错，历史表现也不能保证未来结果。阅读时应同时查看发布时间、数据状态与不确定性说明，并独立判断其参考价值。
Corrections
数据纠错与方法反馈
如果赛程、队名、阵容、地图比分或结算状态存在错误，请尽量提供对应比赛、发生时间、问题字段以及可供核对的信息。涉及模型方法的反馈，请说明关注的预测类型、发布时间与认为需要复核的变量。
修订会优先保留原始记录与变更原因，避免赛后更正覆盖当时实际发布的预测版本。
反馈邮箱
contact@shijiebeipredict.com.cn
FAQ
常见问题
进一步理解胜率变化、赔率换算与模型可靠性的判断方式。
不是。胜率表达的是在当前数据、阵容信息、版本环境和模型假设下，一支队伍获胜的相对可能性。即使赛前胜率较高，临场决策、英雄选择、选手状态和单局随机波动仍可能改变结果。
赛程确认、首发阵容、比赛版本、选边信息、最新赛果以及赔率市场变化都可能带来新的有效信息。模型会在这些信息可用时重新计算，因此不同时间查看同一场比赛可能得到不同概率。
通常不能直接等同。赔率包含市场定价、数据源差异和水位空间，需要先换算为隐含概率，再对同一市场内的概率进行归一化处理。处理后的市场概率适合用于比较，但依然不代表必然结果。
不能只看猜中多少场。除了命中率，还应观察概率校准、对高低置信区间的区分能力、不同赛制下的表现、样本规模以及是否严格使用预测发布时可获得的信息。
电竞队伍会经历阵容、教练组、版本和战术体系变化。时间较早或环境差异较大的交手只能作为背景信息，通常需要降低权重，并与近期表现、对手强度和当前版本适配共同判断。