2.7 KiB
Einheiten: backend/tft/model/learn.py
stand: f41ac76b57
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