预期进球
xG计算公式

射门质量 · 位置模型 · 概率解析

⚽ 数据科学

xG模型将每次射门转化为进球概率，核心基于射门位置、角度、防守密度等变量。

📐

核心计算公式

逻辑回归 · 基础形式

P = 1 / (1 + e^-z)

其中 z = β₀ + β₁·距离 + β₂·角度 + β₃·防守 + …

通过大量历史射门训练权重，输出0~1之间的概率值。

⚡ 射门距离 🎯 射门角度 🛡️ 防守干扰 🦶 射门部位 📊 预期进球值

📌

核心变量 & 权重

📏 距离球门中心距离 (米)

📐 角度射门位置与球门夹角

🔄 助攻类型传中/直塞/穿透

🧍 防守压力最近防守距离

🦵 射门方式左脚/右脚/头球

⚡ 比赛状态运动战/定位球

现代xG模型通常包含10~20个特征，通过机器学习优化。

📊

实际应用 & 解读

累计xG可评估球队创造机会能力，单次xG衡量射门威胁。例如：

点球 xG ≈ 0.76 ~ 0.80
单刀球 xG ≈ 0.35 ~ 0.45
禁区外远射 xG ≈ 0.02 ~ 0.08
小禁区包抄 xG ≈ 0.55 ~ 0.75

* 数据基于英超/欧冠历史统计，不同模型略有差异。

❓

常见问题 & 专业解答

xG和实际进球有什么不同？

xG反映射门质量期望，实际进球是结果。若球队xG远高于进球，可能运气不佳或射术不精。

xG计算公式中哪个变量最重要？

射门距离和角度通常权重最高。距离越近、角度越正，xG越高。防守压力与射门方式也有显著影响。

不同联赛的xG模型通用吗？

基础结构相似，但权重需根据联赛风格调整。例如英超对抗强，防守干扰系数可能更高。

如何手动估算一次射门的xG？

可使用简化版：查射门位置对应平均xG表（如禁区中央0.12，小禁区0.35），再根据角度、防守微调。

xG有局限性吗？

是的。xG不包含射门球员能力、守门员位置、比赛心理等。但作为宏观数据工具非常可靠。

更多问题 · 数据持续更新

📈

xG模型演进

从简单线性回归到神经网络，xG模型准确度不断提升。目前主流采用XGBoost或逻辑回归+特征工程，Opta、StatsBomb等公司提供付费xG数据。

⚽ 2000s 基础位置模型 ⚡ 2010s 加入防守/角度 🧠 2020s 深度学习

💬 你也想问 “头球xG一般比脚射低多少？”