Grundlagen des Expected Goals
Der xG-Wert ist kein Hexenwerk, sondern ein mathematischer Blick auf jede Torchance, als wäre sie ein Würfelwurf, den du schon beim Einsetzen der Münze kennen könntest. Kurz gesagt: Er gibt an, wie wahrscheinlich ein Schuss ein Tor wird, basierend auf historischen Daten.
Die Daten – das Schmieröl der Formel
Hier kommt die Statistik ins Spiel. Du brauchst tausende von Schüssen, deren Ausgang (Tor oder nicht) bekannt ist. Jeder Schuss wird zerlegt: Entfernung zum Tor, Winkel, ob der Schütze den Ball kontrolliert hat, wie viele Verteidiger zwischen den Beinen sind, sogar die Position des Torwarts. Das ist das Rohmaterial, das später zu einer Zahl geschmolzen wird.
Modellierung – das Herzstück
Look: In der Praxis nutzt man logistisches Regressionsmodell oder fortgeschritteneres Machine Learning, um aus den Merkmalen eine Wahrscheinlichkeit zu berechnen. Das Modell lernt, dass ein Schuss aus 20 Metern, leicht nach rechts außen, fast nie ein Tor ist, während ein Kopfball aus sechs Metern, fast wie ein Pfeil ins Schwarze, fast sicher ein Treffer ist.
Feature Engineering
Und hier ist warum: Du musst die richtigen Features wählen. Entfernung, Winkel, Schussart, Druck, das ist das Grundgerüst. Dann kommen die feinen Nuancen – etwa ob der Ball von einem Flankenpass kommt, ob der Schütze mit dem schwachen Fuß abschließt. Jede noch so kleine Information kann die Wahrscheinlichkeit um ein paar Prozentpunkte verschieben.
Training und Validierung
Jetzt geht’s ans Eingemachte: Das Modell wird mit 80 % der Daten trainiert, die restlichen 20 % dienen zur Validierung. Wenn das Modell auf den Testdaten eine gute Vorhersage liefert, ist es bereit für die Praxis. Hier misst man die Log-Loss oder den Brier-Score, um zu checken, ob die vorhergesagten Wahrscheinlichkeiten mit den tatsächlichen Ergebnissen übereinstimmen.
Berechnung im Spiel
Einmal kalibriert, wird das Modell auf jeden Live-Schuss angewandt. Der Algorithmus nimmt die aktuellen Werte – etwa 18 Meter, 30 Grad, Flanke, kein Druck – und spuckt eine Zahl zwischen 0 und 1 aus. 0,45 bedeutet: Der Schuss hat eine 45‑prozentige Chance, ein Tor zu werden. Das ist dein xG-Wert für diesen Schuss.
Zusammenführung zum Match‑xG
Ein Spiel‑xG entsteht, indem du die Einzel‑xGs aller Schüsse einer Mannschaft addierst. Team A hat 8 Schüsse, deren xG‑Summe 1,3 ergibt. Team B hat 5 Schüsse, xG‑Summe 0,9. Das Spiel‑xG sagt, dass Team A „besser“ war, selbst wenn das Endergebnis anders aussieht.
Praktischer Nutzen
Hier ist der Deal: Mit dem xG-Wert erkennst du, ob ein Team Glück hat oder über- bzw. unterperformt. Du kannst das für Wettstrategien, für Scouting oder für deine eigene Analyse auf aichampionsleaguevorhersage.com nutzen. Du brauchst nur das Modell, ein paar Datenpunkte und ein bisschen Spontanität, um die nächste Vorhersage zu verfeinern.
Umsetzungsschritt
Starten Sie jetzt: Laden Sie ein öffentliches Datenset, setzen Sie ein logistisches Regressionsmodell auf Python oder R auf, testen Sie die Genauigkeit und integrieren Sie das Ergebnis in Ihr Dashboard. Und dann? Beobachten Sie, wie Ihre Prognosen plötzlich greifbarer werden.
