xG 是怎么计算的？射门概率模型的原理

xG 的计算流程是：把每一脚射门拆成若干特征（位置、角度、方式、进攻过程），输入概率模型输出「这一脚进球的概率」，然后把全队的射门概率逐脚相加。关键在于——模型不同，特征与权重不同，所以不同来源的 xG 数值会不一样。

计算流程

1. 记录每一次射门：位置、时间、方式、进攻过程等原始事件数据。
2. 提取特征：把射门转成模型能读的输入，常见特征有射门距离、射门角度、射门方式（脚/头/其他）、是否定位球、是否快攻、射门前的传球序列等。
3. 模型打分：输出这一脚射门的进球概率（0 到 1 之间）。
4. 逐脚加总：全队所有射门的概率相加，得到该队该场 xG。

模型常见的技术路线

三条路线的输出都是「射门进球概率」，但数值会有差异。

为什么不同来源的 xG 不一样

• 特征集不同：有的只用位置和方式，有的加入传球序列、防守压力等过程特征。
• 训练数据不同：样本覆盖的联赛、赛季、比赛数量不同，模型的校准程度不同。
• 定义口径不同：点球是否计入、乌龙球如何处理、射门事件的判定边界如何界定，各模型处理方式不一。
• 更新频率不同：模型会随新数据重训，同一场比赛在不同时间可能给出不同数值。

xG 与 xGOT 的区别

还有一个容易混淆的指标 xGOT（预期进球-射正后）：普通 xG 计算的是「这次射门有多大机会进」，不考虑射门最终的打门质量；xGOT 则是在射门完成之后，结合球的落点质量再评估一次。简单说，xG 衡量「创造机会的质量」，xGOT 更偏向「射门执行的质量」。

本站的用法

本站 竞足赛事数据 把双方 xG 直接列在每日场次里，并用 xG 折算积分汇成 xG 积分榜。因为本站全部数据同源，所以「同模型内比较」这个前提是满足的——这是使用 xG 数据时最关键的一条纪律。

→ 返回 《指南&资源》全部 41 篇归档；如需查当天数据，见 必发指数、竞足赛事数据 与 xG 积分榜。