⚽ 预期进球 xG
射门质量量化 · 从数据看懂进球概率
📌 什么是预期进球 (xG)
预期进球（Expected Goals，简称xG） 是足球分析中衡量射门质量的核心指标。它通过统计模型评估每一次射门转化为进球的概率，数值范围 0 ~ 1 。
例如：xG = 0.25 表示该射门有 25% 的可能性得分。
🧮 xG 怎么计算？
xG 基于历史数万次射门数据，通过机器学习（如逻辑回归、XGBoost）训练。核心特征包括：
每个因素都赋予权重，最终输出 0~1 的概率。例如：
近距离单刀（无门将）xG ≈ 0.85 ， 禁区外远射 xG ≈ 0.03 。
📊 xG 模型构建详解
1. 数据采集：收集职业联赛（英超、西甲、欧冠等）超过10万次射门，包含坐标、射门结果、比赛状态等。
2. 特征工程：计算射门点与球门的距离、角度（余弦值）、防守球员数量、射门方式等。
3. 模型训练：常用 逻辑回归(Logistic Regression) 或 梯度提升树。以“是否进球”为标签。
4. 输出校准：通过 Platt scaling 或 isotonic regression 使概率更准确。
现代 xG 模型还会加入 射门前的控球序列、传球网络 等高级特征，准确率更高。
⚡ xG 在比赛中的用途
- 评估球员射门能力（实际进球 vs xG）
- 衡量球队创造机会的质量
- 预测比赛走势与最终比分
- 发现被低估的射手或“运气型”进球
- 辅助教练调整防守策略
❓ 常见问题 · 深度解答
xG 和实际进球为什么有差异？
答： xG 代表“平均概率”，但足球存在随机性。球员脚感、门将神扑、门柱等都会造成偏差。长期来看，优秀射手实际进球常高于 xG。
xG 能完全反映射门质量吗？
答： 不能。xG 不考虑射门瞬间的创造性、防守站位变化、心理压力等。但它比单纯射门次数更客观。
不同数据商的 xG 为何不同？
答： 因为模型特征、训练数据、算法细节有差异。Opta、StatsBomb、Understat 等各有特点，但趋势一致。
xG 值会受比赛风格影响吗？
答： 会。传控球队常在禁区外射门，xG 偏低；反击球队容易获得高 xG 机会。需结合背景解读。
如何自己计算简单的 xG 模型？
答： 可用距离和角度两个特征，收集历史数据，用 Python 训练逻辑回归。但高质量模型需要大量数据与特征。
📘 xG 延伸知识
xG 已衍生出 xA（预期助攻）、xGOT（射门后预期进球） 等指标，构建完整的进攻评估体系。