Рейтинг: байесовское сглаживание по опыту; новички — до 10 партий

Проблема: средний балл не учитывал число игр — новичок с 10 удачными
партиями обходил ветерана с сотнями стабильных.

Теперь score = (C·m + сумма очков) / (C + игр) × 100 при C=10, m=0.5:
к реальным партиям «дописываются» 10 виртуальных со средним 0.5, рейтинг
стартует около 50 и с опытом сходится к чистому среднему (формула IMDB).
Применено в топах и профиле; разбивка по фракциям осталась на чистом
среднем (служебная метрика «лучшая/худшая», сглаживание давило бы её к 50).
MIN_GAMES 5 -> 10 («Новички» во всех топах — до 10 партий; подписи берут
порог из API). Справка обновлена, добавлен тест (62 passed).

Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>

backend/app/services/scoring.py

@@ -4,15 +4,30 @@
 и ничьих (competition ranking). За партию из N игроков:
     points = (N - place - (tie_size - 1)/2) / (N - 1)
 1-е место = 1.0, последнее = 0.0; равные места делят сумму очков поровну.
-Рейтинговый счёт игрока = AVG(points) * 100.
+
+Рейтинговый счёт игрока — сглаженное среднее (байесовское, формула IMDB):
+    score = (PRIOR_GAMES * PRIOR_MEAN + SUM(points)) / (PRIOR_GAMES + games) * 100
+К реальным партиям «дописываются» PRIOR_GAMES виртуальных со средним PRIOR_MEAN:
+на малой выборке рейтинг держится около 50 и лишь с опытом сходится к чистому
+среднему — короткая удачная серия новичка не обгоняет стабильного ветерана.
 """
 from __future__ import annotations
 
 # Порог числа игр для попадания в ранжированный топ (ниже — «Новички»/provisional).
-MIN_GAMES = 5
+MIN_GAMES = 10
 # Порог числа игр на фракцию для расчёта лучшей/худшей фракции.
 FACTION_MIN_GAMES = 2
 
+# Сглаживание рейтинга: сколько «виртуальных» партий и с каким средним добавляем.
+PRIOR_GAMES = 10
+PRIOR_MEAN = 0.5
+
+# SQL-выражение сглаженного рейтинга поверх агрегата по строкам scored (s.points).
+# При 0 партий SUM = NULL → score = NULL (рейтинга без игр нет).
+SMOOTHED_SCORE_SQL = (
+    f"({PRIOR_GAMES} * {PRIOR_MEAN} + SUM(s.points)) / ({PRIOR_GAMES} + COUNT(*)) * 100"
+)
+
 # SQL-выражение очков за участие (tie-aware). Использует поля m.player_count,
 # mp.place и t.tie_size (размер группы игроков с тем же местом в партии).
 MATCH_POINTS_SQL = (

backend/app/services/stats_service.py

@@ -13,6 +13,7 @@ from app.services.scoring import (
     FACTION_MIN_GAMES,
     MATCH_POINTS_SQL,
     MIN_GAMES,
+    SMOOTHED_SCORE_SQL,
     leaderboard_sort_key,
 )
 
@@ -76,7 +77,7 @@ def _leaderboard_rows(session: Session, group_id: int | None) -> list[dict]:
            SUM(s.is_win) AS wins,
            AVG(CAST(s.is_win AS FLOAT)) AS win_rate,
            AVG(s.place) AS avg_place,
-           AVG(s.points) * 100 AS score
+           {SMOOTHED_SCORE_SQL} AS score
     FROM scored s
     JOIN users u ON u.id = s.user_id
     {where}
@@ -112,7 +113,7 @@ def _overall_for_user(session: Session, user_id: int, group_id: int | None) -> d
            SUM(s.is_win) AS wins,
            AVG(CAST(s.is_win AS FLOAT)) AS win_rate,
            AVG(s.place) AS avg_place,
-           AVG(s.points) * 100 AS score
+           {SMOOTHED_SCORE_SQL} AS score
     FROM scored s
     {cond}
     """
@@ -139,7 +140,8 @@ def _faction_breakdown(session: Session, user_id: int, group_id: int | None) ->
            SUM(s.is_win) AS wins,
            AVG(CAST(s.is_win AS FLOAT)) AS win_rate,
            AVG(s.place) AS avg_place,
-           AVG(s.points) * 100 AS score
+           AVG(s.points) * 100 AS score  -- фракции: чистое среднее (служебная метрика
+                                         -- «лучшая/худшая», сглаживание задавило бы её к 50)
     FROM scored s
     JOIN factions f ON f.id = s.faction_id
     JOIN expansions e ON e.id = f.expansion_id

backend/tests/test_scoring_smoothing.py

@@ -0,0 +1,39 @@
+"""Сглаживание рейтинга: score = (C·m + сумма очков) / (C + игр) × 100, C=10, m=0.5."""
+from __future__ import annotations
+
+from fastapi.testclient import TestClient
+
+from tests.conftest import add_group_member, create_finished_match, csrf_headers, login
+
+
+def test_leaderboard_and_profile_score_are_smoothed(client: TestClient, engine):
+    me = login(client, "Хозяин")
+    gid = client.post(
+        "/api/groups", json={"name": "Группа", "expansion_ids": []}, headers=csrf_headers(client)
+    ).json()["id"]
+    b = add_group_member(engine, gid, "Гость")
+    factions = client.get(f"/api/groups/{gid}/factions").json()
+    f1, f2 = factions[0]["id"], factions[1]["id"]
+
+    create_finished_match(
+        client,
+        gid,
+        [
+            {"user_id": me["id"], "faction_id": f1, "place": 1},
+            {"user_id": b, "faction_id": f2, "place": 2},
+        ],
+    )
+
+    board = client.get("/api/stats/leaderboard").json()
+    by_id = {e["user_id"]: e for e in board["entries"] + board["provisional"]}
+    # Победитель: 1 очко за партию → (10·0.5 + 1) / (10 + 1) × 100 = 54.5.
+    # Проигравший: 0 очков → (10·0.5 + 0) / 11 × 100 = 45.5.
+    assert by_id[me["id"]]["score"] == 54.5
+    assert by_id[b]["score"] == 45.5
+    # 1 игра < MIN_GAMES=10 → оба пока «Новички», ранжированный топ пуст.
+    assert board["entries"] == []
+    assert board["min_games"] == 10
+
+    # Профиль показывает тот же сглаженный рейтинг, что и топ.
+    prof = client.get("/api/users/me/stats").json()
+    assert prof["overall"]["score"] == 54.5