预期进球模型中的偏见影响进攻能力
内容提要
该文综述足球分析中的机器学习研究，涵盖：用贝叶斯方法预测进球概率并评估先验影响；用可解释广义加性模型与聚合SHAP值分析球员和球队表现；用集成模型结合SHAP预测球员市场价值；提出射门分析框架及期望收益、xSOT指标；构建xA模型估计犯规得黄牌概率；用贝叶斯模型预测比赛胜率；从攻守两方面评估团队防守；用图变分循环网络预测无球跑动贡献；结合动作识别预测射门方向。
延伸解读
从单次射门到团队与球员层面的解释
文章介绍了对预期进球模型的全局解释方法，通过聚合SHAP值和部分依赖配置文件，将分析从单次射门扩展到团队和球员水平。这有助于从业者从模型中提取可操作的球员或团队知识，而不仅限于评估单次射门质量。同时，文章强调在足球分析中，指标的可理解性往往比模型准确性更重要，这为实际应用提供了方向。
防守贡献的量化：从犯规黄牌到无球跑动
文章涵盖了多个防守评估模型：xA模型估计犯规导致黄牌的概率，填补了犯规效率检验的空白；团队防守方法通过预测球恢复和被进攻行为，比基于罕见事件的分类器更能预测真实事件；图变分循环网络则评估无球跑动对进球的贡献，且该指标与球员年薪显著相关。这些工作表明，防守和无球行为正被更系统地量化。
贝叶斯方法在预测中的先验影响
文章提到使用贝叶斯方法研究选手或位置因素对预测进球概率的影响，发现位置和选手效应确实影响预测结果，并评估了先验分布选择对结果的影响。此外，基于贝叶斯统计框架的胜率预测模型能够根据比赛时间变化提供可信预测。这提示读者，在应用预测模型时，先验选择和上下文因素可能显著影响输出，需谨慎对待。
Q&A
足球分析中如何用贝叶斯方法预测进球概率？
研究使用贝叶斯方法预测进球概率，并分析选手或位置因素对预测结果的影响，同时评估先验分布选择对结果的影响。
如何用可解释机器学习模型评估足球球员的市场价值？
研究采用集成机器学习方法（GBDT表现最佳，平均R-Squared为0.8780）结合SHAP解释预测，发现球控、短传、射门等技能维度重要，冲刺速度和加速度在健身维度关键，反应在认知维度占主导。
xA模型是什么？它如何评估足球中的犯规策略？
xA是一种新型度量模型，用于估计足球中犯规导致黄牌的可能性。通过集成方法、额外特征和扩展数据集提升性能，分析2022年FIFA世界杯数据验证了其在提供团队和球员犯规策略见解方面的有效性。
有哪些方法可以评估足球比赛中无球跑动的贡献？
研究利用图变分循环神经网络预测球员轨迹，评估无球状态下对进球的贡献，结果显示该指标与球员年薪显著相关，表明能有效评估无球创造机会的能力。
如何预测足球射门后的运动方向？
研究提出结合人体动作识别（HAR）嵌入与上下文信息的神经网络模型，通过观察运动员踢球技术准确预测射门方向，取得了高准确率。
足球比赛中如何从攻守两方面评估团队防守？
研究提出一种从整体绩效与攻守两方面评估团队防守的方法，通过预测球员行为和位置数据来预测球恢复和被进攻行为，使用45场比赛数据检验，分类器平均F1分数>0.483，与赛季长期结果有适度相关性（r=0.397）。
