MUT 玩家能力分析系统

正在加载数据...
# 玩家 综合评分 移动 知识 战斗 策略 团队 综合力 参赛
📋 报名玩家名单
支持输入曾用名,系统会自动匹配
🎮 本届游戏列表 (9选8)
勾选本届将进行的游戏(9个),玩家将选 8 个参加
六维能力算法说明

1. 数据标准化 (Z-Score Normalization)

由于不同届次、不同小游戏的分数量纲和难度差异极大, 我们对每届每个小游戏的原始分数进行 Z-score 标准化:

Z = (原始分数 - 该届该游戏均值) / 该届该游戏标准差

这样 Z > 0 表示高于平均, Z < 0 表示低于平均, 且跨届可比。

2. 游戏→多维权重映射

每个游戏不再只对应单一维度,而是按玩法特征拆分贡献到多个维度 (权重之和=1.0):

游戏 移动 知识 战斗 策略 团队
跑酷勇士80%20%
王牌竞速90%10%
急急急急70%10%20%
墙洞洞墙15%85%
烟火竞逐20%60%20%
熔毁实验30%40%30%
天际交锋20%70%10%
战斗之盒50%20%30%
食不果腹25%50%10%15%
战地之王10%80%10%
圣殿围狩10%35%45%10%
瓮中捉鳖50%30%20%
建筑商场30%70%
网格跑者20%20%60%
时间之沙15%15%30%40%
食刻争鲜10%20%70%
缤果竞速25%35%40%
派对游戏20%40%25%15%
滚木20%50%30%

3. 时间衰减加权 (Exponential Decay)

近期表现更能代表当前实力, 采用指数衰减加权(赛事列表以最新在前排列):

权重 = 0.88^i,i = 距当前赛事的届数
最新一届 (MUT F5) i=0,权重 = 1.0
上一届 (MUT D1) i=1,权重 = 0.88
再上一届 (MUT E3) i=2,权重 = 0.77 …

4. 维度聚合

每个维度的最终分数 = 该维度下所有游戏记录的 加权平均 Z-score(同时考虑时间衰减权重和游戏→维度权重)。

4.5 贝叶斯收缩 (Bayesian Shrinkage)

为防止数据不足的维度产生极端评分, 引入置信度收缩机制:

α = C / (C + K), K = 0.5
Z_final = Z_raw × α
其中 C = 该维度累计的总权重(时间衰减 × 游戏→维度权重之和)

当某维度数据充足时 (C >> K), α → 1, 信任原始分数; 数据稀少时 (C << K), α → 0, 评分向全局均值回归。

前端维度条旁的 ///极低 标签即为置信度等级。

5. 综合力 (Versatility) 计算

综合力不再由特定游戏决定,而是衡量选手的全面性

综合力 = 100 - std(移动, 知识, 战斗, 策略, 团队)
即前五项维度分数的标准差越小 → 越均衡 → 综合力越高

例如:五项全 80 的选手 (std=0, 综合力=100) 比四项 95+一项 20 的偏科选手 (std≈30, 综合力≈70) 综合力更高。

6. 百分位映射

将每个维度的 Z-score 转换为全体玩家中的百分位排名 (0-100), 用于雷达图展示。

综合评分 = 所有有数据维度的百分位平均值。