점수는 사람이 정한 가중치가 아니라, 실제 경기에서 학습합니다.

1. 경기 기록과 1분 단위 타임라인에서 16개 지표를 계산합니다. 쉬운 킬·헛된 데스는 PandaSkill 논문과 같은 정의(±30초)를 씁니다.
2. 포지션별 로지스틱 회귀가 지표들을 하나의 승리 기여 추정값으로 묶습니다. 각 지표가 점수를 올리거나 내리는 방향은 고정되어 있어, “CS를 많이 먹었는데 감점” 같은 결과는 나오지 않습니다.
3. 그 추정값을 같은 포지션 표본(전 티어)과 비교해 0~100 백분위로 바꿉니다. 어느 티어든 절반은 이기기 때문에 이 추정값은 티어가 올라도 거의 변하지 않아서, 티어별로 나누지 않습니다. 영역별 점수와 시간대별 점수도 같은 방식입니다.
4. “어느 티어 수준인가”는 별도 모델이 답합니다. 같은 지표로 실제 티어를 예측하도록 학습한 회귀 모델이며, 한 경기로는 오차가 커서 대시보드에서는 최근 경기 평균으로 보여줍니다.
5. 시간대별 점수는 2분마다 그 시점까지의 누적 기록(피해량·시야 제외)을 같은 포지션의 같은 시각과 비교합니다. 초반에는 데스 한 번에도 점수가 크게 출렁이므로, “가장 크게 떨어진 구간”은 그 시각에 보통 움직이는 폭보다 이례적으로 떨어진 4분 구간으로 고릅니다.
6. 목표 티어 탭은 CS·골드·라인전 같은 개별 지표를 그 티어 분포와 비교할 때 씁니다.

AUC는 이긴 팀 플레이어에게 더 높은 점수를 줄 확률입니다(0.5 = 무작위). 이전 점수는 사람이 가중치를 정한 v2 점수이며, 같은 경기로 비교했습니다. 같은 학습 코드를 PandaSkill 공개 프로 경기 데이터에 적용하면 AUC 약 0.96이 나오고, 지표 영향 순서도 논문과 같습니다.

티어 오차는 실제 티어와의 평균 차이입니다. 한 경기는 운과 팀 구성의 영향이 커서 오차가 크고, 여러 경기를 평균하면 줄어듭니다. 시간대 모델은 분 단위로 재구성할 수 있는 지표만 쓰는 축소 모델입니다.

• 승패를 성과의 대리 지표로 쓰기 때문에, 팀이 이기면 개인 지표도 좋아지는 경향이 점수에 섞입니다.
• 티어별 표본: 아이언 45 · 브론즈 36 · 실버 30 · 골드 30 · 플래티넘 30 · 에메랄드 30 · 다이아몬드 30 · 마스터 30 · 그랜드마스터 30 · 챌린저 30. 표본이 적은 티어는 점수가 덜 안정적입니다.
• 1분 단위 타임라인만 쓰므로 동선, 스킬 사용, 와드 위치는 반영하지 못합니다.

학습 시각 2026. 11. 15. · 상세 리포트: docs/score-model.md