SPORTANALYTIK · PROJEKT 07
Projekt 06 · Fußballanalyse
Machine-Learning-Modell · Expected Goals (xG)
Logistisches Regressionsmodell, das mit öffentlichen StatsBomb-Daten die Torwahrscheinlichkeit jedes Schusses schätzt, auf Spielebene validiert und auf ausgewählte Teams der WM 2022 in Katar angewendet wird.
KONTEXT UND ZIEL
Ein interpretierbares xG-Modell entwickeln, das jedem Schuss eine Torwahrscheinlichkeit zuweist, Datenleckage zwischen Spielen verhindert und einen externen Anwendungssatz reserviert.
DATEN UND DIAGNOSE
- Insgesamt werden 63.740 Schüsse aus 2.526 Spielen zusammengestellt; Elfmeterschießen sind ausgeschlossen.
- Distanz und Winkel zum Tor werden abgeleitet; Körperteil, Schussart und -technik, Drucksituation und Spielerposition werden kodiert.
- Trainings- und Testdaten werden mit GroupShuffleSplit auf Spielebene getrennt; das finale Modell verwendet 12 Variablen und wird extern auf Argentinien, Frankreich, Marokko und Kroatien bei Katar 2022 angewendet.
ERGEBNIS UND LERNGEWINN
Im Testdatensatz erreicht das Modell eine ROC AUC von 0,795 und einen Brier Score von 0,079; es schätzt 1.674 Expected Goals gegenüber 1.688 beobachteten Toren. Im externen Anwendungssatz werden 58,2 xG gegenüber 57 tatsächlichen Toren geschätzt.