用途:帮助用户从原始事件或统计数据中计算足球衍生指标与模型。
使用方式:先检查配置文件,读取 .nutmeg.user.md;若该文件不存在,提示用户先运行 /nutmeg:init。
主要能力与指标: 预期进球(xG):基于射门位置、类型、身体部位和比赛情境估计射门转化为进球的概率。若数据源已提供 xG,StatsBomb 在射门事件中提供 shot.statsbomb_xg;Opta 在 matchexpectedgoals 端点的限定符 321 中提供(不在标准事件流中);Understat 可按比赛通过网络抓取获取。自建模型需收集带结果的射门数据,特征包括到球门距离、角度、身体部位、射门类型和防守人数,可用逻辑回归作基线、梯度提升提升精度,约需至少 10000 次射门,并用校准图和 log-loss 验证。注意跨联赛迁移效果可能不佳。 预期进球 on target(xGOT):在射门落点已知情况下估计进球概率,射正且位置好时高于 xG,射偏为 0。Opta 限定符 322、StatsBomb 的 post-shot xG 可提供。 PPDA:压迫强度指标,越低压迫越激进。计算为对手本方半场传球数除以本方在对手半场的抢断、拦截、犯规和球权恢复之和。存在仅用对手防守三区或排除犯规的变体,英超典型范围为 6-15。 传球网络:展示谁传给谁、平均位置和传球频率。从事件数据筛选成功传球,按传球者-接球者配对计数,计算球员平均位置,按传球次数加权,通常只显示首发球员,并设置最小传球阈值(常见 3-4)。 预期威胁(xT):衡量传球或带球对进球概率的提升。将球场划分为 12x8 网格,计算各格射门进球概率和转移到更高价值格的概率,移动的 xT 为终点减起点,稳定估计约需 50000 次以上控球。 控球价值模型:VAEP 训练两个模型估计未来 10 次动作内进球与被进球概率,动作价值为两者变化之差,需要较多数据和机器学习能力;OBV 为 StatsBomb 专有模型,概念类似但方法不同。 压迫强度指标:除 PPDA 外,还包括高位转换、反压迫、压迫持续时间和压迫成功率。 定位球分析:角球进球率、直接任意球转化率、界外球保持率和定位球 xG 占比。
实现建议:明确假设与纳入排除范围,处理零射门、零分钟等边界情况,球员数据按每 90 分钟归一化,团队指标约 10 场、球员约 900 分钟后再下结论,并始终展示置信度或样本量。
限制:部分指标依赖特定数据源或专有模型,自建模型需要足够样本与验证,跨联赛迁移需谨慎。