algorithm - Elo 的起始值

Question

最近制作了一个锦标赛支架，玩家可以在其中注册并参与获得获胜席位的机会。如您所见，这是它的图片:

锦标赛分组结束后，我计划将这些奖金转化为排名。因此，结果是“Achilles”排名第一，因为他在锦标赛中表现最好，然后排名第二的是“rjg 2”，依此类推。之所以将锦标赛分组转换为排名，是因为现在我想给玩家创造与其他玩家比赛的机会。这很重要，因为即使锦标赛分组有效，它也不包含玩家之间每场可能比赛的结果。没关系，锦标赛分组只是为了让其他人基本了解谁是最好的/最差的。不过，一旦赛事组别转换为排名，新用户也有机会报名，让更多玩家可以相互较量。现在，在开始排名部分之前，我想尝试在比赛中使用 Elo 排名。我的问题是，我需要在锦标赛中为这些玩家分配积分。这很棘手，因为如果我不小心，我的 K 值可能会扰乱事物的顺序。这是我的表格:

#1 Achilles
#2 rjg 2
#3 gg
#4 beta 1
#5 dfgsdf
#6 test2
#7 rjgtest
#8 rocket

我需要为每个玩家分配“分数”以反射(reflect)排名。这意味着 #1 Achilles 将获得最多的分数，而 #2 将是 rjg2 等等......但是，根据 Elo 的工作方式，我不知道要分配多少分数。如果范围太大，玩家将永远没有机会在排名中上升，但如果范围太小，排名将不断变化。

例如，如果我这样布置我的 table :

1  1000
2  900
3  800
4  700
5  600
6  500
7  400
8  300
9  200
10 100 

#1 将获得 1,000 分，#2 将获得 900 分，依此类推。如果排名第 10 胜过排名第 1，那显然是非常不可能的。因此，当我使用 elo 进行数学计算时，会发生以下情况:

因此，如果我以这种方式进行(基于解释的方式 here )，假设我的排名 #10 面对排名 #1。根据上面的网站，我的公式是:

R' = R + K * (S - E)

#10 的评分只有 100 分，而#1 有 1,000 分。所以在做了数学计算后，排名第 10 的人击败第 1 名的期望值是:

1 / [ 1 + 10 ^ ( [1000 - 100] / 400) ]
= 0.0055%

0.55%很低也有道理，十强几乎没有机会打得过一强。然而，如果他要打败他，结果如下:

 100 + 32 * (1 - 0.0055)
 = 131.824

在击败排名第一的玩家时，他只会获得 31 分。这显然行不通，但我可以减小点的范围或增加我的 K 因子。

有没有人对这项工作有任何建议？或者也许建议我以不同的方式对我的球员进行排名？

Answer 1

恐怕我不太了解 Elo 评级，但我知道选择合适的 K 值可能会有问题。

我知道 K 值通常会根据玩家玩了多少游戏而改变。玩过很多游戏的玩家被赋予较低的 K 值，因此他们的评分不会发生太大变化(因为我们对他们的评分更加确定，我们希望它保持相当稳定)。同样，一个没有玩过很多游戏的玩家会获得更高的 K 值(我们不太确定他们的评分，所以我们不介意它移动得更多)。

另一种方法是使用评级系统，该系统试图结合我们对玩家评级不确定性的衡量标准。例如，Glicko 评级系统或微软的 TrueSkill 算法。这些系统会自行估算玩家技能水平的可变性(或不确定性)，因此您无需设置 K 值。

在 http://trueskill.org 上有一个非常好的 TrueSkill Python 实现。 ，由 Heungsub Lee 编写，其中包含大量有关如何使用该库的示例。玩家的评分包括平均值(代表他们的估计技能)和标准差(代表我们对他们技能的不确定性)。

Microsoft 使用 TrueSkill 在许多 Xbox 游戏中进行匹配，因此应该非常适合您匹配具有相似能力的玩家的意图。