山迪•文森特大佬聊赛事：99.3 分是个分水岭，多关注 role 给出的特征

坐镇大佬

山迪•文森特：研究生在读，喜欢唱跳 rap 打比赛，希望各位大佬能带带我组队打比赛

AI 研习社 ID：@山迪•文森特

“ LOL 排位赛胜负推测 ”赛事链接：//god.yanxishe.com/58

AI 研习社：大佬如今在游戏中是什么段位了？

山迪•文森特：白银 2，我从高中就开始玩这个游戏了，但一直都很菜（笑）。

AI 研习社：一般都打什么位置呢？最擅长哪个英雄？

山迪•文森特：上单提莫。

AI 研习社：排除这个比赛因素，你个人认为影响 LOL 排位赛胜负推测的因素主要有哪些？

山迪•文森特：我觉得是每个版本对英雄的改动，我们都知道每个版本都会有强势英雄，这个在排位胜负上会有所体现。

AI 研习社：所以你做这场比赛遇到最大的难题是什么？

山迪•文森特：个人感觉是提强特征。比赛刚开始时，裸跑都能上 99 分，加上有效特征 —— 类似经济差、伤害差一类的统计特征还能上到 99.3，再往上走就需要对整个游戏有所理解了。

AI 研习社：了解，换句话说，99.3 分以后想继续提分的话，你认为有哪些维度可以下手？

山迪•文森特：role 给出特征当中的几个（英雄 id、两个召唤师技能、出装 item）我没用上，其实可以结合 match 表中的版本号来做（我正在尝试），另外就是寻找一些出现异常数据（比如对局当中存在多个 mid 或者 kills 总计为 0 等）的局，通过手工去提然后打标。

AI 研习社：可以跟我们介绍一下你最新开源的这个 baseline 吗？（链接：//god.yanxishe.com/codeplan/detail/136）

山迪•文森特：这个 baseline 是我跑裸特征的一个思路，我先对 role 表的每场比赛做了阵营划分，然后对每个阵营的特征进行求和并计算 kda，再把两边阵营数据做 merge ，加上基本的训练数据构建完成。最后，放入 lgb 跑 5 折交叉。

这个比赛我没考虑融合多个模型去训练，因为感觉剔除异常数据的话很容易上分。

AI 研习社：怎么理解“剔除异常数据很容易上分”？

山迪•文森特：role 表中可以找到异常局——例如存在多个 mid 和多个打野，挂机行为（ kda 都一样）。这几个特征我没有用在模型训练上，而是直接从训练集剔除，然后在测试集当中标注为异常局，接着提交试错。

后面要上分的话，还是得去做多个模型的 stacking。

AI 研习社：所以能够理解你是在有意挑战自己吗？

山迪•文森特：我只是在尽力做好自己，然后尝试突破极限吧！这个比赛的数据和业务因为与自己平时的爱好契合，就觉得很有意思。群里各位大佬的思路也让我收获很多，我也会继续努力。

AI 研习社：你认为什么才是“打比赛的正确姿势”？

山迪•文森特：多看、多学、多练。

主要多看看大佬们的 baseline 和思路，然后学习新的框架和模型，最后就是多多编码，只有用得多，才能做得好。