# Einheiten: backend/tft/model/learn.py
stand: f41ac76b5789

## backend/tft/model/learn.py::_multiplier
beschreibung: Berechnet einen um Bayessche Schrumpfung zentrierten Stärke-Multiplikator aus einer Liste von Platzierungen.
input: eine Liste von Platzierungswerten (Integers)
output: ein Float-Multiplikator in [0.8, 1.25], der bei 1.0 bei mittlerer Platzierung liegt
entscheidungen:
- Schrupfung gegen das Schnitt-Niveau (MEAN_PLACEMENT) erfolgt via PSEUDO_COUNT Pseudo-Beobachtungen.
  beleg: "(sum(placements) + MEAN_PLACEMENT * PSEUDO_COUNT) / (n + PSEUDO_COUNT)"
- Pro Platzierungs-Punkt Abweichung vom Mittelwert wird DELTA_SCALE = 0.06 aufaddiert.
  beleg: "mult = 1.0 + (MEAN_PLACEMENT - mean) * DELTA_SCALE"
- Der Ergebniswert wird auf das Intervall MULT_CAP = (0.8, 1.25) gekappt.
  beleg: "return min(max(mult, MULT_CAP[0]), MULT_CAP[1])"
kanten:
- wird-genutzt-von: backend/tft/model/learn.py::learn

## backend/tft/model/learn.py::learn
beschreibung: Aggregiert Endboard-Zeilen zu placementsbezogenen Multiplikatoren für Einheiten, Traits, Items, Augments und Paare.
input: eine Liste von Tupeln (placement, units_json, traits_json, augments_json)
output: ein Dict mit Multiplikatoren je Kategorie, signifikanten Paar-Lifts sowie Brett-Zähler
entscheidungen:
- Top-4-Paarungen werden nur gezählt, wenn die Beobachtungszahl PAIR_MIN_N erreicht und ein Erwartungswert > 0 vorliegt.
  beleg: "if n_ab < PAIR_MIN_N:"
- Nur aktive Traits (tier_current > 0) gehen in die Trait-Aggregation ein.
  beleg: "if t.get(\"tier_current\", 0) > 0:"
- Paar-Lifts werden auf PAIR_LIFT_CAP gekappt und auf 4 Nachkommastellen gerundet zurückgegeben.
  beleg: "lift = min(max(lift, PAIR_LIFT_CAP[0]), PAIR_LIFT_CAP[1])"
- Alle vier Kategorie-Multiplikatoren werden ebenfalls auf 4 Nachkommastellen gerundet.
  beleg: "{k: round(_multiplier(v), 4) for k, v in unit_placements.items()},"
kanten:
- ruft-auf: backend/tft/model/learn.py::_multiplier
- wird-genutzt-von: backend/tft/model/learn.py::learn_from_db

## backend/tft/model/learn.py::learn_from_db
beschreibung: Liest Endboard-Zeilen eines Sets aus einer SQL-Verbindung und gibt das gelernte Multiplikator-Dict zurück.
input: eine SQL-Connection, eine Set-Nummer und ein Flag zum Ausschluss von Holdout-Matches
output: das von learn() erzeugte Multiplikator-Dict
entscheidungen:
- Bei exclude_holdout werden Matches ausgefiltert, deren match_id auf '0' oder '5' endet.
  beleg: "where += \" AND substr(match_id, -1) NOT IN ('0', '5')\""
- Die Selektion projiziert nur die für learn() nötigen Spalten.
  beleg: "\"SELECT placement, units, traits, augments FROM endboards {where}\""
kanten:
- ruft-auf: backend/tft/model/learn.py::learn
- nutzt: backend/tft/model/learn.py::learn