适合用于
- 系统比较战队状态、对手强度与比赛环境。
- 把模糊判断表达为可复查的概率与区间。
- 观察关键变量变化后，比赛判断如何调整。
可解释
说明变量为何影响输出，而非只展示一个数字。
可校准
通过历史样本检查概率是否与实际频率相符。
承认未知
阵容临场变化与版本适应无法被完全预知。
Model overview
模型解决什么问题，又不能解决什么问题？
MSI赛前模型用于统一整理可观察信息，比较不同比赛情景下的相对优势。它帮助回答“在当前证据下，哪一方更可能获胜”，但无法预知临场决策、突发换人或单局中的偶然事件。
不适合用于
- 把较高概率误读为必然发生的赛果。
- 替代对版本、阵容与比赛过程的具体分析。
- 作为投注、交易或任何财务决策依据。
Input features
五类输入变量构成赛前观察框架
每类变量都有不同的更新速度、样本质量和解释限制，因此不会被简单等权处理。
近期状态
近期比赛效率、对手质量、状态趋势与样本稳定性。
版本环境
英雄优先级、资源节奏以及战队对版本变化的适应速度。
阵容结构
选手组合、位置稳定性、英雄池覆盖与阵容协同性。
赛制影响
单局或系列赛、选边规则、阶段压力与容错空间。
历史表现
长期实力基线、国际赛经历及相似对局中的表现。
Probability output
为什么要展示区间，而不只展示胜率？
单一百分比容易制造虚假的精确感。区间用于表达输入质量、样本数量和情景变化带来的不确定性，让用户同时看到模型倾向与判断边界。
1
中心概率
在当前输入和模型假设下，最具代表性的估计值。
2
概率区间
反映合理情景变化后，估计值可能出现的波动范围。
3
置信程度
综合样本完整度、阵容确定性与版本变化速度给出提示。
说明性示例
不代表真实赛程
同一场比赛的情景变化
基准情景
阵容稳定，版本适应信息充分
阵容不确定
首发或战术选择存在较大变化空间
版本大幅变化
历史样本与当前环境的相关性下降
区间越宽，不代表比赛一定更接近，而是模型对当前证据的确定程度更低。
Feature comparison
三类模型各自看见什么？
模型不是越复杂越可靠。不同方法适合回答不同层次的问题，组合使用通常比依赖单一指标更稳健。
| 模型类型 | 主要输入 | 优势 | 主要限制 |
|---|---|---|---|
| 基础统计 | 击杀、经济、资源控制、比赛时长等可观察数据。 | 直观、容易复核，适合描述已发生的表现。 | 可能忽略对手强度、版本与比赛情景。 |
| 评分模型 | 比赛结果、对手质量、时间衰减与主客观修正。 | 便于建立长期实力基线并进行跨阶段比较。 | 对新阵容与版本突变的反应可能滞后。 |
| 阵容模型 | 选手、英雄池、位置对位、阵容组合与版本特征。 | 能捕捉具体对局结构与战术匹配关系。 | 依赖赛前信息完整度，容易受到临场BP影响。 |
Backtesting
历史回测不只看“猜对多少场”
准确率会受到样本强弱分布影响。更重要的是检查概率校准：模型给出约六成概率的比赛，长期结果是否也接近六成。
回测必须按时间顺序进行
只使用比赛开始前已知的信息，避免未来数据泄漏到历史预测中。
区分能力
检查模型能否把相对优势明显与接近五五开的比赛合理区分。
概率校准
比较预测概率与长期实际频率，识别过度自信或过度保守。
时间稳定性
按赛事阶段与版本切分样本，检查模型是否只在特定时期有效。
误差复盘
区分随机波动、信息缺失、模型偏差与错误数据造成的误判。
示意回测流程
查看公开模型验证资料
训练、验证、复盘、再校准
STEP 01
按时间切分样本
STEP 02
生成赛前概率
STEP 03
检查校准误差
STEP 04
记录偏差并更新
FAQ
关于MSI预测模型的常见问题
不能。模型表达的是基于赛前证据的概率判断，而不是确定结果。任何概率低于百分之百的情景都允许相反结果发生。
首发阵容、版本信息、比赛顺序和新增数据都可能改变模型输入。更新后的概率代表当前证据变化，而不一定意味着此前计算错误。
通常不是。历史交手可能来自不同版本、阵容和竞技状态，样本数量也往往有限，因此需要结合时间衰减与当前环境进行解释。
不是。本平台不提供投注服务或投注建议。模型内容仅用于帮助用户理解赛事数据、概率表达和研究方法。