Einheiten: backend/tft/model/calibrate.py

stand: f41ac76b57

backend/tft/model/calibrate.py::_ranks

beschreibung: Wandelt eine Liste von Werten in mittlere Ränge um und behandelt dabei gleiche Werte (Ties) korrekt. input: Eine Liste von Float-Werten. output: Eine Liste von Float-Rängen gleicher Länge mit 1-basierter Mittelrang-Vergabe bei Ties. entscheidungen:

Gleiche Werte erhalten alle den Mittelrang ihrer Position. beleg: "midrank = (i + j) / 2 + 1"
Die Ränge sind 1-basiert. beleg: "ranks[order[k]] = midrank"
Iteration erfolgt über sortierte Indizes statt über die Werte direkt. beleg: "order = sorted(range(len(values)), key=lambda i: values[i])" kanten:
wird-genutzt-von: backend/tft/model/calibrate.py::spearman

backend/tft/model/calibrate.py::spearman

beschreibung: Berechnet den Spearman-Rangkorrelationskoeffizienten zwischen zwei gleichlangen Wertelisten. input: Zwei gleich lange Listen von Float-Werten. output: Der Spearman-Korrelationskoeffizient als Float, bei verschwindender Varianz 0.0. entscheidungen:

Division durch Null wird explizit abgefangen und mit 0.0 beantwortet. beleg: "if va == 0 or vb == 0:"
Die Kovarianz und Varianzen werden als Populationsgrößen berechnet. beleg: "va = sum((x - ma) ** 2 for x in ra) ** 0.5" kanten:
ruft-auf: backend/tft/model/calibrate.py::_ranks
wird-genutzt-von: backend/tft/model/calibrate.py::calibrate

backend/tft/model/calibrate.py::board_from_row

beschreibung: Deserialisiert die aus der DB kommenden JSON-Strings für Units und Augments in Board-Strukturen. input: Zwei JSON-Strings (Units und Augments). output: Ein Tupel aus einer Liste von Unit-Dicts und einer Liste von Augment-Namen. entscheidungen:

Das Feld für Items heißt tolerant „itemNames" und wird mit Default-Leerliste gelesen. beleg: ""items": u.get("itemNames", []),"
Die Tier-Information der Unit wird als Sternzahl interpretiert. beleg: ""stars": u["tier"]," kanten:
wird-genutzt-von: backend/tft/model/calibrate.py::_holdout_scores

backend/tft/model/calibrate.py::_holdout_scores

beschreibung: Lädt Endboard-Zeilen aus der DB, baut daraus Boards je Match und lässt sie durch score_fn bewerten. input: Eine DB-Connection, ein Artifact-Dict, ein Holdout-Flag und eine score-Funktion. output: Ein Dict, das je match_id eine Liste von (placement, score)-Paaren enthält. entscheidungen:

Die Holdout-Filterung erfolgt match-bezogen über das letzte Zeichen der match_id. beleg: "where += " AND substr(match_id, -1) IN ('0', '5')""
Das Set wird aus den Artifact-Metadaten als Filterparameter gelesen. beleg: "set_number = artifact["meta"]["set"]" kanten:
ruft-auf: backend/tft/model/calibrate.py::board_from_row
wird-genutzt-von: backend/tft/model/calibrate.py::calibrate

backend/tft/model/calibrate.py::calibrate

beschreibung: Ermittelt die mittlere Spearman-Korrelation zwischen Board-Score und Platzierung über Holdout-Matches als Kalibrierungsmetrik. input: Eine DB-Connection, ein Artifact-Dict, optional ein Holdout-Flag und eine score-Funktion. output: Ein Dict mit „matches" (Anzahl) und „mean_spearman" (Mittelwert der Korrelationen). entscheidungen:

Nur Matches mit vollständigen 8 Spielern fließen in die Korrelation ein. beleg: "if len(players) < 8:"
Die Korrelation wird negiert, da niedrigere Platzierungen besser sind. beleg: "correlations.append(-spearman(placements, scores))"
Ohne Korrelationen wird 0.0 als Mittelwert zurückgegeben. beleg: ""mean_spearman": sum(correlations) / n if n else 0.0," kanten:
ruft-auf: backend/tft/model/calibrate.py::_holdout_scores
ruft-auf: backend/tft/model/calibrate.py::spearman

3.6 KiB Raw Permalink Blame History