📌 什么是预期进球 (xG)
xG（预期进球） 衡量一次射门转化为进球的概率，取值范围 0 到 1。0.1 表示该射门只有 10% 的可能性得分，而 0.85 表示极高质量的得分机会。
它基于历史成千上万次射门数据，结合射门距离、角度、身体部位、防守压力、助攻类型等特征，通过统计模型计算得出。
🧮 核心计算方法
基础逻辑： xG = P(进球 | 射门特征) 。通常使用 逻辑回归、泊松回归 或 机器学习模型（XGBoost / 神经网络）拟合历史数据。
xG ≈ 1 / (1 + e^{-(β₀ + β₁·距离 + β₂·角度 + β₃·防守 + …)})
逻辑回归 · 广义线性模型 (GLM)
其中关键特征包括：
📍 射门距离
📐 射门角度
🛡️ 防守压力
🦶 射门部位
⚡ 助攻类型
🎯 球门区域
📊 详细版块 · 变量与权重
📍 射门距离： 距球门越近，xG 越高。6码内射门 xG 约 0.35~0.45，18码外骤降至 0.05 以下。
📐 射门角度： 正对球门角度越大，xG 越高。零度角（底线附近）通常低于 0.05。
🛡️ 防守压力： 有贴身防守比无人防守 xG 降低 20%~40%。
🦶 射门部位： 脚部射门高于头部，非惯用脚有折扣。
⚡ 助攻类型： 直塞球、传中、倒三角等各有加成。
🤖 机器学习模型
现代xG系统（如Opta、StatsBomb） 使用梯度提升树（XGBoost）或深度神经网络，可处理非线性关系和特征交互，精度比逻辑回归提升 10~15%。
常用特征工程还包括：射门前的控球次数、是否头球、比赛时间、比分差等。模型输出即为 xG 值。
📈 示例： 距离球门12码，中路，无人防守，惯用脚射门 → xG ≈ 0.28
📉 示例： 距离20码，右边路，有防守，头球 → xG ≈ 0.02
📉 示例： 距离20码，右边路，有防守，头球 → xG ≈ 0.02
❓ 常见问题 · Q&A
xG 值为什么不是整数？
xG 是概率值，范围 0~1。例如 0.15 代表该射门有 15% 的可能性进球。累计 xG 可以超过 1（如 5 次射门总 xG 2.3）。
xG 与进球数有什么关系？
若一支球队实际进球数远高于 xG，说明把握机会能力极强或运气好；反之则说明射门质量低或状态不佳。xG 能更稳定地评估创造机会能力。
哪些因素对 xG 影响最大？
射门距离和角度是两大核心，通常占权重 60% 以上。防守压力和射门部位次之。助攻方式（直塞/传中）也有显著影响。
个人 xG 与团队 xG 有什么区别？
个人 xG 累计该球员所有射门的预期进球，反映其机会质量；团队 xG 则是全队总和，衡量整体进攻创造力。
xG 模型会考虑门将能力吗？
传统 xG 通常只考虑射门特征，不包括门将。但进阶模型（如 post-shot xG）会加入射门方向、速度等，更精准评估绝对机会。
📌 小结 · 如何应用
✅ 评估射手真实状态：实际进球 vs xG 差值
✅ 分析球队创造机会能力：场均 xG
✅ 预测比赛：xG 比进球更稳定，适合建模
✅ 识别防守强弱：对手 xG 越低，防守越好