Takım liglerinde bireysel ELO sistemini doğrudan uygulamak adil sonuçlar vermeyebilir. Oyuncu sayıları, değişen kadrolar, skor farkları ve oyuncu katkıları gibi etkenler takım puanlamasını karmaşıklaştırır. Bu rehberde ELO'yu takımlara uygulamak için pratik 7 formül, her birinin avantaj/ dezavantajları, gerçek bir örnek hesaplama ve simülasyon yaklaşımı bulacaksınız.
Neden bireysel ELO doğrudan takıma uygulanamaz?
Bireysel ELO, iki oyuncunun tekil karşılaşması için tasarlanmıştır. Takım maçlarında dikkat edilmesi gereken başlıca farklılıklar:
- Kadro büyüklüğü ve oyuncu derinliği puanlamayı etkiler.
- Bazı oyuncular maç sonucuna daha fazla katkı yapar (ör. yıldız oyuncu).
- Skor farkı ve maç formatı (bo1, bo3, puan sistemi) beklenen skoru değiştirir.
- Takımın toplam gücü, bireylerin ortalamasından veya başka bir birleşiminden daha karmaşık olabilir.
7 Formül: Takım ELO’su Hesaplama Yöntemleri
Aşağıda sık kullanılan ve pratikte işe yarayan yedi farklı yaklaşımı sunuyorum. Her birinin kısa açıklaması ve kullanım önerisi var.
1) Basit Ortalama (Mean ELO)
R_team = (Σ R_i) / N
Açıklama: Takımdaki oyuncuların ELO ortalaması alınır. Avantajı basit ve anlaşılır olmasıdır. Dezavantajı, oyuna çok güçlü bir oyuncunun etkisini hafife almasıdır.
2) Ağırlıklı Ortalama (Contribution-Weighted)
R_team = Σ (w_i * R_i), Σ w_i = 1
Ağırlıklar oyuncunun sahadaki süresi, istatistiksel katkısı veya takım içindeki rolüne göre verilir. Örneğin star oyuncuya daha yüksek w vererek adaleti artırabilirsiniz.
3) Top N Oyuncunun Ortalaması
Yedek veya rotasyonlu liglerde ilk 3–5 oyuncuyu baz almak mantıklıdır. Böylece takımın esas çekirdeği puanlanır. Yeni kurulmuş takımlarda işe yarar.
4) En İyi Oyuncunun ELO’su (Captain/Ego Approach)
Takımın kaptanı veya en yüksek ELO sahibi oyuncuyu takım ELO’su olarak almak hızlı fakat risklidir: tek oyuncu sonucu domine ediyorsa tercih edilir.
5) Logit / Exponential Aggregation
S_i = Σ 10^(R_i/400); E_A = S_A / (S_A + S_B)
Bu yöntem, klasik ELO beklenen değer formülünü oyuncu seviyesinde log-uzayda toplamaya genelleştirir. Oyuncu katkıları orantılı olarak değerlendirilir; güçlü oyuncuların etkisi büyür.
6) Skor Farkı ile Ayarlanmış Team ELO
Match sonucu yalnızca kazan/kaybet değil, skor farkı (margin of victory) da dikkate alınır. Örneğin K faktörünü skor farkına göre çarpanla değiştirmek (K' = K * f(diff)) yaygındır. Bu, sürpriz büyük galibiyetlerin daha büyük puan değişimiyle ödüllendirilmesini sağlar.
7) Oyuncu Düzeyinde Probabilistik Model + Agregasyon (Monte Carlo Friendly)
Her oyuncunun her rakip oyuncuya karşı kazanma olasılığı hesaplanır; maç sonucu oyuncu eşleşmeleri veya rol bazlı kombinasyonlarla simüle edilerek takım galibiyeti olasılığı çıkarılır. Bu yöntem en hesaplı ama en gerçekçi modeldir.
Formüllerin Karşılaştırması: Ne Zaman Hangi Yöntem?
- Sabir devingen kadrolar, eşit roller → Basit Ortalama yeterli ve dengelidir.
- Star oyuncuların etkisi büyükse → Ağırlıklı Ortalama veya Logit yöntemleri daha adildir.
- Skor farkının önemi yüksek liglerde → Skor farkı düzeltmeli yöntemleri kullanın.
- Rotasyon ve karma eşleşmeler varsa → Monte Carlo tabanlı agregasyon tercih edilir.
Örnek Hesaplama: 5x5 Takım Maçı
Aşağıda iki takım için birkaç yöntemi hesaplayıp, bir maç sonrası ELO güncellemesini gösteriyorum.
Takım A oyuncuları: 2100, 1950, 2000, 1800, 1750
Takım B oyuncuları: 2050, 1980, 1900, 1850, 1700
1) Ortalama Yöntemi
R_A = (2100+1950+2000+1800+1750)/5 = 1920
R_B = (2050+1980+1900+1850+1700)/5 = 1896
E_A = 1 / (1 + 10^((R_B - R_A)/400)) = 1 / (1 + 10^(-24/400)) ≈ 0.535
Maç Sonrası Güncelleme (Örnek)
Maç sonucu: Takım B sürpriz yapıp 3-2 kazandı (A mağlup).
K = 20 (takım seviyesinde örnek K)
Yeni R_A = 1920 + 20*(S_A - E_A). S_A = 0 (mağlubiyet)
R_A ≈ 1920 + 20*(0 - 0.535) = 1920 - 10.7 ≈ 1909
Yeni R_B ≈ 1896 + 20*(1 - (1 - 0.535)) = 1896 + 10.7 ≈ 1907
Yorum: Ortalama yöntemi takım A'ya küçük bir avantaj veriyordu; galibiyet karşılığında B makul kazanç aldı.
2) Ağırlıklı Ortalama (örnek ağırlık: 0.3,0.25,0.2,0.15,0.1)
R_A ≈ 1962.5; R_B ≈ 1937.5; E_A ≈ 0.537
Sonuç ve güncelleme mantığı aynıdır; ağırlıklı model yıldızın ağırlığını artırır ve dolayısıyla puan kaybı/ kazanımı farklı olur.
Simülasyonlar: Monte Carlo ve Sezon Bazlı Denemeler
Simülasyonlar, hangi formülün lig şartlarına en uygun olduğunu görmenin en sağlam yoludur.
- Model seçin: oyuncu düzeyinde 1v1 kazanma olasılığı, ya da takım düzeyinde lojistik model.
- Eşleştirme kurallarını belirleyin (rastgele, kadrolara göre, sabit rotasyon vb.).
- Tek bir maç için 10.000–100.000 rastgele simülasyon çalıştırın; her simülasyonda oyuncu sonuçlarını rasgele örnekleyin ve takım galibiyetini belirleyin.
- Sezon simülasyonu: tüm fikstürü aynı yöntemle çalıştırın; puan tablosu, sıralama değişimleri, ELO dağılımını gözlemleyin.
- Metrikler: sıralama stabilitesi, beklenen vs gerçekleşen maç sonuçlarının korelasyonu, puan dağılımının adilliği.
Basit pseudo-kod (özet):
for sim in 1..Nsim: for maç in fikstür: compute team win prob p (seçtiğiniz modelle) outcome = random()
K Değeri, Hızlı Başlangıçlar ve Decay
K değeri takım liglerinde kritik ayardır. Öneriler:
- Yeni kurulmuş ligler veya yeni oyuncular için başlangıçta yüksek K (30–40) kullanın.
- Stabil ve uzun vadeli liglerde K düşük (10–20) olmalı.
- Skor farkı büyükse K'yi artırın (ör. K' = K * (1 + log(1 + diff))).
- Sezon sonunda hafif decay (ör. her sezon 0.5–1% rating düşüşü) ligde zaman içi tahminleri sağlamlaştırır.
Uygulama Notları ve Tuzaklar
- Formül ne kadar karmaşık olursa olsun, şeffaflık katmak için kuralları lig katılımcılarına açıkça paylaşın.
- Çok karmaşık modeller (tam oyuncu vs oyuncu eşleşmesi) hesaplama maliyeti getirir; küçük liglerde sorun olmaz, büyük liglerde otomasyon gerektirir.
- Çok yüksek ağırlıklar bir oyuncunun anlık performansındaki gürültüyü aşırı büyütebilir; bu yüzden ağırlıkları konservatif seçin.
Sonuç: Hangi Yaklaşımı Seçmeli?
Özetle:
- Basit, dengeli ve anlaşılır bir başlangıç istiyorsanız ortalama veya ağırlıklı ortalama ile başlayın.
- Yıldız oyuncuların etkisini doğru yansıtmak istiyorsanız logit/exponential aggregation ya da top-N yaklaşımını tercih edin.
- Ligde skor farkı ve oyun formatı önemliyse skor farkı düzeltmesi ekleyin.
- En güvenilir karar simülasyon sonuçlarına bakılarak verilir: Monte Carlo deneyleri farklı formüllerin performansını ölçer.
Bu rehber, ELO'yu takım liglerinde adil ve şeffaf biçimde uygulamanız için hem teorik hem pratik araçlar sundu. Sonraki adımınız: lig verilerinizle küçük bir simülasyon çalıştırmak ve hangi yöntemin gerçek sonuçlara en uygun olduğunu test etmek olsun.
