预期进球 xG
计算公式 · 模型拆解 · 实战解读
核心计算公式 logistic回归形式
xG = 1 / (1 + e−(β₀ + Σβᵢ·Xᵢ))
基于射门角度、距离、防守压力、助攻类型等特征
xG 通常通过逻辑回归或机器学习模型计算，输出0到1之间的概率。简单理解：射门机会越好，xG越接近1。
🏟️ 常见xG范围: 0.01 (极难) ~ 0.8 (绝对机会)
五大关键因子
射门角度
与球门形成的夹角越大，xG越高
射门距离
越靠近球门，预期进球越高
防守压迫
后卫/门将距离越近，xG降低
传球方式
直塞/传中 vs 横传，xG差异大
⚽ 典型xG热区：禁区中央 xG > 0.15，边路远射 < 0.05
模型与数据源
现代xG模型通常基于数万次历史射门训练，特征包括：
- 射门坐标 (x, y) 与球门距离、角度
- 射门部位 (左脚/右脚/头球)
- 比赛情境 (运动战/定位球/点球)
- 防守球员数量 & 门将位置
- 助攻类型 (传中、直塞、回做)
📊 知名数据提供商 Opta、StatsBomb 使用自定义xG模型，部分公开论文显示 β系数 可通过泊松回归优化。
常见问题 · 深度解答
xG 0.5 代表什么？
表示该次射门预期有50%的概率进球。长期统计中，xG总和接近实际进球数。
为什么点球的xG是0.76左右？
历史点球进球概率约76%~79%，因此点球xG通常设定为0.76~0.79，不同模型略有差异。
xG能直接衡量前锋能力吗？
不完全，xG反映机会质量，实际进球与xG差值可反映“终结能力”。但需大样本，一般>500分钟才有参考意义。
头球xG比脚下球低吗？
通常是的，头球平均xG约为0.08~0.12，而禁区内地滚球射门可达0.2~0.35，因为头球精度和力量较难控制。
xG计算公式中β值如何确定？
通过最大似然估计拟合历史射门数据。例如距离每增加1米，log-odds降低0.12~0.20（不同模型有差异）。
💡 进阶： 部分模型加入射门是否被阻挡、射门前的移动速度等，使用XGBoost或神经网络，但核心仍为概率输出。
xG实战应用
- 评估球队真实进攻/防守水平
- 发现被低估球员 (实际进球 > xG)
- 预测未来比赛进球
- 战术调整：限制对手高xG区域射门
🔍 例如： 某球员实际进球10个，xG累计8.2，说明他终结能力高于平均；若xG累计12.5，则可能运气不佳或门将神勇。
预期进球 xG = 射门质量量化
公式核心：logistic函数 + 多维度特征权重
xG不是完美指标，但结合射门分布与比赛情境，已是足球分析不可或缺的度量。