效果命中机制的黑箱反推：从观测到公式
09/02475 浏览攻略情报
本文以黑箱视角研究效果命中成功率。通过构造不同的施法者/目标属性与技能基础命中，采集大量观测值，并以统计回归与曲线拟合逐步识别：① 命中—抗性以分子/分母归一比值修正基础率；② 某类效果在命中基准低于目标基准时存在近似 (H_base/R_base)^n 的非线性惩罚；③ 不同效果类型具有各自的最终乘区；④ 末端存在以平移项生效的命中+值/抵抗−值。
一、研究设计
1. 变量与观测
施法者：命中基准 H_base、命中加成 H_ex、末端平移 + 值 A、类型倍率（未知，后文反推）；目标：抵抗基准 R_base、抵抗加成 R_ex、末端平移 − 值 D；技能：基础成功率 BaseRate、效果类型 statusType。观测：FinalObs（成功率或频率）。
生成两类效果（记作类型2与类型3）各1,200条样本，共2,400条，系统性扫描 H_base、R_base、H_ex、R_ex、A、D 的组合。
二、探索步骤与图示
步骤一：通用对抗关系
假定命中/抗性通过归一比 Ratio = (1 + H_ex/H_base) / (1 + R_ex/R_base) 进入公式。在类型2样本上绘制 FinalObs ~ Ratio，点云沿直线分布，提示 BaseRate * Ratio 的线性骨架。
步骤二：平移项与类型乘区
在“无惩罚”的样本上（类型2全部 + 类型3中 H_base > R_base 的部分）做多元线性拟合：FinalObs ≈ TypeMul * (alpha * Ratio + beta * A − gamma * D + const)。拟合给出 alpha≈BaseRate，beta≈gamma≈1，const≈0，且不同类型的尺度差异对应 TypeMul。
步骤三：硬控类的非线性惩罚
在类型3且 H_base ≤ R_base 的区域，附加乘区 cmul ≈ (H_base/R_base)^n 能显著校正残差；n 的拟合结果约为 3。
步骤四：总体拟合与误差
综合结构对全体样本预测验证，Predicted 与 Observed 高度一致，误差极小。
步骤五：对抗地形可视化
固定 A=0.05、D=0.02，在类型2下绘制 Final 在 (H_ex/H_base, R_ex/R_base) 平面上的分布。
三、推断出的结构化结论
Final = ( BaseRate * Ratio + (A - D) ) * cmul * TypeMul
