xG：一次射门有多大概率进

一、它到底在算什么

把历史上几十万次射门全部拆开，记录每脚射门发生时的客观条件，再看最终进没进。 模型要回答的是一个概率问题：在同样条件下，这类射门进球的比例是多少。

所以 xG 的本质是历史频率的拟合，不是对某一场比赛的判断。一场比赛里某队 xG 是 2.6， 意思是“这类机会在历史上平均能进 2.6 个”，不代表这场就必须进 2 到 3 个。

二、怎么算出来的

模型把一脚射门描述成一组特征，常见的有：

这些特征喂进一个概率模型，输出 0 到 1 之间的数。常见两种建模方式：

• 逻辑回归：可解释性强，能看出每个特征贡献多少，但难捕捉特征之间的交互。
• 梯度提升树（如 XGBoost）：精度更高，能自动捕捉交互，但解释性差。

两者在同一批数据上的差异通常不大，真正的差异往往来自特征工程—— 有没有把“门将出击位置”“射门前是否变向”这类细节纳入。

三、怎么读

单看一脚射门意义有限，真正有用的是累加：一场比赛把全队 xG 加起来， 和对手的 xG 加起来对比，得到的是机会质量的净差。

四、三个最常见的误读

误读 1：把 xG 当“应该进几个”

xG 是概率期望，不是应然判断。一支球队 xG 2.8 只进 1 球，不叫“被浪费”， 叫“这批机会的历史转化率本来就不是 100%”。要判断效率，得看长期累计，不看单场。

误读 2：拿单场小样本下结论

一场比赛 10 脚射门，样本量太小，方差极大。 某队连续三场 xG 都高于对手但没赢，这在概率上完全正常，不构成“模型失效”的证据。 一般要累积到十几场以上，xG 差值和积分的相关性才开始稳定。

误读 3：跨数据源比较

不同机构的模型、特征集、训练样本都不同，同一场比赛的 xG 可以差出 0.3 甚至更多。 比较必须在同一来源内部进行，混用两个来源的数字做对比是没有意义的。

五、它测不到什么

• 射门时机：同样的位置，防守阵型已经落位和正在转换，难度完全不同，粗模型抓不住。
• 门将质量：xG 只描述“平均门将”，不区分顶级门将和替补门将。
• 无球跑动：制造空间但没有接到球的人，在 xG 里贡献为零。
• 二次进攻：补射被扑出后的再进攻，在单次 xG 里是割裂的。
• 比分需求：落后两球时的狂攻和领先时的控制，xG 不区分动机。

术语速记