一种用于足球中基于球员与位置调整的预期进球数的机器学习方法

足球是一项结果导向极强的产业，进球比大多数运动更为罕见，因此拥有进一步的参数来评判球队和个人的表现至关重要。预期进球（xG）比单纯的比分能提供更深层的洞察。为满足足球领域进一步分析的需求，本文使用并开发了应用于足球事件数据的机器学习方法。基于该概念，构建了一个二分类问题，通过Logistic Regression和基于Gradient Boosting的方法输出概率估值。该模型基于15,575次射门成功预测了足球球员的xG概率值。所提出的解决方案以StatsBomb作为数据提供方和一个行业基准，以将模型调优至正确方向。所提出的xG机器学习方案进一步用于解决古老的陈词滥调：'球落到了错误的人脚下'。该模型的开发用于调整并获得比通用模型更现实的预期进球值。为此，本文探讨了位置调整xG（Positional Adjusted xG），将训练数据划分为前锋、中场和后卫，旨在基于其位置子组提供对球员素质的洞察。位置调整xG成功预测并证明更具攻击性的球员更擅长累积xG。最高值属于前锋，其次为中场和后卫。最后，本研究进一步发展到球员调整xG（Player Adjusted xG），旨在证明梅西在统计上比普通足球运动员具有更高的效率水平。这是通过使用梅西子集样本量化其相对于平均xG模型的素质来实现的，发现梅西的xG比通用模型结果高出347个xG。