*原创*

*实例*

实例样图

假设技能“嗜血杀戮”，技能等级上限60，每提升1级，需要获得对应数量的技能经验，如下表

已知技能数据

问：如何预测Lv.30所需的技能经验？

解题思路

1.在文章《EXCEL说：计算集散点的多元线性回归函数反推游戏经验曲线》中,有使用拟合函数，对已知数据进行曲线趋势和数值预测

2.方法一致，不过今天将使用多种拟合函数（LINEST、FORECAST、TREND、GOGEST、GROWTH）来对比结果

线性拟合-----锵锵游戏数值策划

【方案一】Index函数+LINEST函数

令技能等级x，技能经验y，函数系数a[n]

期望形状一元4次方程：y(x)=a[1]*x^4+a[2]*x^3+a[3]*x^2+a[4]*x+a[5]

函数系数

那么：y(x)=0.1685*x^4-6.4334*x^3+77.6976*x^2+44.4652*x+34.1022

y(30)=INT(0.1685*30^4-6.4334*30^3+77.6976*30^2+44.4652*30+34.1022)

y(30)=34079

【方案二】FORECAST函数

y(30)=FORECAST(30,$D$20:$D$24,$C$20:$C$24)

y(30)=16401

【方案三】TREND函数

y(30)=TREND($D$20:$D$24,$C$20:$C$24,30)

y(30)=16401

为什么【方案一】与【方案二】和【方案三】数值预测差距这么大？

原因：受到数学模型的精度

我们将【方案一】的期望形状改为一元一次方程：y(x)=a[1]*x+a[2]

函数系数计算

y(30)=INT(604.845*30-1744.3)

y(30)=16401

由于FORECAST和TREND函数，建立一元一次方程的数据预测，所以将【方案一】修改为一元一次方程，结果就一致了，大家实际工作中，请根据自己的精度需求，选择期望方程形状。

指数拟合-----锵锵游戏数值策划

【方案一】Index函数+GOGEST函数

令技能等级x，技能经验y，函数系数P[n]

期望方程形状：y(x)=P[2]*P[1]^x

函数系数计算

那么y(x)=341.978*1.1837^x

y(30)=INT(341.978*1.1837^30)

y(30)=53857

【方案二】GROWTH函数

y(x)=GROWTH($D$20:$D$24,$C$20:$C$24,x)

y(30)=GROWTH($D$20:$D$24,$C$20:$C$24,30)

y(30)=53843

我们将上述六种方案的数据，建立XY散点图，如下：

六种方案XY散点图曲线比较

数值策划，在实际处理功能时，要结合项目的实际需求，将功能时间、目标人群、功能收益等全盘考虑，本文仅介绍小编工作中，个人预测数值时的常用方法。

*原创*

请关注 锵锵游戏数值策划