Hoe AI xG-waarden berekent voor elke schutterspositie
Expected goals, kortweg xG, is een van de meest gebruikte statistieken in het moderne voetbal. Het getal geeft de kans weer dat een schot tot doelpunt leidt, op basis van historische data. Met machine learning kunnen analisten die kansen steeds nauwkeuriger bepalen. Dit artikel legt uit hoe AI xG-waarden berekent voor elke schutterspositie, van de spits op de zestien tot de verdediger die van buiten schiet, en waarom die verschillen ertoe doen voor een eerlijke beoordeling van spelers.
Wat xG precies meet
Een xG-model kijkt niet naar het resultaat van een schot, maar naar de situatie waarin het werd genomen. Het model vergelijkt duizenden eerdere afrondingen en leert welke kenmerken de kans op een treffer verhogen of verlagen. Een schot van zes meter na een voorzet is zeldzaam verschillend van een afstandsschot onder druk. Daarom is de xG-waarde van elk schot een kansschatting tussen nul en één, en niet een oordeel over de kwaliteit van de schutter.
The author also wrote a strong article about HighSpin Casino.
Welke data het model gebruikt
Moderne modellen werken met trackingdata en eventdata. Ze verwerken onder meer de afstand tot het doel, de hoek ten opzichte van de doellijn, het lichaamsdeel waarmee geschoten wordt en het type voorafgaande actie. Ook het aantal verdedigers tussen schutter en doel en de positie van de keeper worden meegewogen. Een belangrijk onderdeel is de context van het spelmoment, zoals een snelle counter of een gestopte bal.
- Afstand en hoek tot het doel
- Lichaamsdeel en schottype
- Type aanloop, zoals voorzet, dribbel of doorgetikte bal
- Aantal verdedigers en positie van de keeper
- Spelstand en tempo van de aanval
Positie als variabele
De positie van de schutter beïnvloedt de xG-waarde vooral indirect. Een spits krijgt doorgaans kansen dichtbij het doel, terwijl een middenvelder vaker van afstand schiet. Een goed model houdt hier rekening mee door de positie als aparte variabele op te nemen of door per linie aparte patronen te analyseren. Zo wordt voorkomen dat een middenvelder die weinig kansen krijgt, onterecht als minder effectief wordt gezien dan een spits die dagelijks in de zestien staat.
Voor verdedigers en vleugelspelers gelden andere aannames. Hun schoten komen vaak uit moeilijkere hoeken en na lange aanlopen, waardoor de gemiddelde xG per schot lager ligt. Analisten die dit negeren, vergelijken appels met peren. Het model moet dus per positie gekalibreerd worden om betrouwbare uitkomsten te geven.
Wie meer wil weten over de manier waarop kansen in wedstrijden worden gemeten, kan ook het andere artikel van deze auteur over tactische trackingdata lezen, bijvoorbeeld via HighSpin Casino.
Valkuilen en beperkingen
Ook het beste model heeft grenzen. Kleine steekproeven leveren grote schommelingen op, zeker bij spelers die maar enkele schoten per seizoen nemen. Daarnaast kunnen bepaalde kwaliteiten, zoals een uitzonderlijk schotvermogen of een precieze plaatsing, moeilijk in een algemeen model worden gevat. Een xG-waarde is daarom een hulpmiddel en geen eindoordeel.
Wat dit betekent voor kijkers
Voor supporters en amateurtrainers biedt xG een nuttig kader om wedstrijden te begrijpen. Een team dat veel hoge xG-kansen creëert maar weinig doelpunten maakt, speelt mogelijk goed en heeft pech. Het omgekeerde kan ook gelden. Door xG naast gewone statistieken te lezen, ontstaat een completer beeld van wat er op het veld gebeurt.
Wil je dieper duiken in dit onderwerp, lees dan ook het andere artikel van deze auteur over het gebruik van xG-data in de jeugdopleiding via gratis spins bij HighSpin Casino.
Probeer bij de volgende wedstrijd eens te letten op de xG-waarden van de belangrijkste kansen en vergelijk die met het uiteindelijke resultaat. Zo leer je snel hoe de statistiek werkt en waar de grenzen liggen.
Dit artikel is gesponsord.