Построение модели ожидаемых голов (xG) — от сбора данных до развёртывания — техническое руководство по созданию собственной xG-модели.

Данные для xG

Расположение удара, угол, дистанция, часть тела, тип передачи, давление защитников — минимальный набор признаков. Продвинутые модели добавляют позиции соперников и скорость мяча.

Обучение модели

Логистическая регрессия — базовый подход, градиентный бустинг и нейросети — продвинутые. Калибровка вероятностей критична для точности xG.

Валидация xG

Log loss и калибровочные графики — основные метрики. Хорошая xG-модель должна быть калиброванной: прогнозируемая вероятность 0.3 должна приводить к голу в ~30% случаев.