预期进球 xG
xG (预期进球) 衡量每次射门转化为进球的概率，取值范围 0 到 1。0.1 表示 10% 可能进球，0.8 表示 80% 可能进球。它基于历史成千上万次射门数据训练而成。
🧮 xG 是怎么计算的？
xG 模型 = 逻辑回归 / 机器学习 基于大量射门特征，输出进球概率。主要考虑以下变量：
此外还包括：防守压力、射门类型（运动战/定位球/点球）、是否凌空、射门高度等。每个特征通过权重影响最终 xG。
⤵️ 特征 ➔ 模型 ➔ 概率（0~1）
🔍 影响 xG 的关键因素
- 射门距离： 距球门越近，xG 越高。6码区射门 xG ≈ 0.3~0.5，禁区外通常 < 0.05。
- 射门角度： 正对球门角度越大，xG 越高。小角度通常 < 0.1。
- 助攻方式： 通过直塞或穿透传球获得的射门，xG 比横传高 20%~40%。
- 防守干扰： 有防守球员紧逼时，xG 降低 0.05~0.15。
- 射门部位： 脚部射门 > 头部射门（头球 xG 通常低 0.05~0.1）。
- 比赛情境： 点球 xG 固定 ≈ 0.76（历史平均）。
因为历史点球转化率约 76% (英超/五大联赛)，仍有射失、被扑、踢飞的可能。所以 xG = 0.76。
💬 预期进球 · 高频提问
单场总 xG = 所有射门 xG 之和。例如 5 次射门 xG 分别为 0.1, 0.3, 0.05, 0.4, 0.02，总 xG = 0.87。
xG 反映射门质量，但不等同于必然进球。长期看球队 xG 与真实进球趋近，是评估攻击火力的可靠指标。
Opta、StatsBomb、Understat、Wyscout 等都有自己的 xG 模型，参数略有不同，但核心逻辑相似。
不同模型使用的特征、数据量、机器学习算法有差异，导致 xG 值有微小浮动，但排名趋势一致。
📌 实际比赛 xG 案例
距离球门 25 米，角度较偏，有防守干扰。模型判定只有 4% 概率进球。
距离球门 4 米，几乎直面空门，但后卫滑铲干扰，模型给出 62% 概率。
🧭 常见射门位置 xG 热力图 (越红越高)
📈 如何正确解读 xG
• 单次射门 xG 表示进球概率，并非实际得分。高 xG 未进球属于“浪费机会”，低 xG 进球属于“世界波”。
• 累积 xG 反映球队创造机会的能力。如果实际进球远高于 xG，可能说明射手状态火热或对手门将失误。
• 限制：xG 不包含门将扑救能力、防守站位、射门球员惯用脚等细节，但持续优化中。
🔎 更多关于 xG 的疑问
xA 是传球形成射门的 xG 总和，衡量传球威胁。一次助攻的 xA 等于该次射门的 xG 值。
通常英超、德甲节奏快，xG 总量偏高；但每90分钟 xG 因风格而异。2023/24 英超场均 xG ≈ 2.8 球。
可以使用公开数据 + 逻辑回归，但准确模型需要大量历史事件。爱好者常用 R 或 Python 模拟。
📚 参考：Opta 定义、StatsBomb 开源模型、国际足球科学大会。
预期进球 xG · 数据驱动足球分析