Fand den auch richtig gut.
Aber ich hatte beim Zuhören permanent das Gefühl da sitzt Maxim 
Der Constantin ist heut auch wieder beim Rasenfunk dabei.
Fand ihn bei beiden Folgen auch super.
xG Wert fand ich jetzt in Kombi mit dem Biermann Video sehr gut. Hatte dadurch ein paar Aaaah!-Momente.
Bei der Biermann Folge hat sich bei mir das Fazit etabliert: viele tolle Zahlen sind schön, aber sie ersetzen keinen Kampfgeist. Dasselbe gilt für xG.
Niko hat das sehr solide geregelt, unterstützt von (wie fast immer) gut gewählten Gästen. 
Aber so sehr mich das auch nichts angeht @Taktikfuchs123 , kann’s mir nicht verkneifen: du bist im Urlaub!
Dann mach den doch bitte, du Workaholic.
8 „Gefällt mir“
Ein Nachtrag zur xG-Erklärbär-Folge:
Die Formel die gezeigt wurde ist ja prinzipiell wenig komplex: man nimmt alle Faktoren, die einem für die Schusserfolgswahrscheinlichkeit wichtig erscheinen, schmeißt sie in eine Linearkombination und fittet dann die Koeffizienten ß mittels eines Datensatzes und Machine Learning.
In dem zitierten Newsletter wird dann eine Beispielrechung gezeigt, hier wird es meiner Meinung nach interessant:
https://mckayjohns.substack.com/i/150037399/calculating-xg-an-example
Die eigentlichen Variablen sind mir egal, weil sie willkürlich sind und in dem Beispiel nicht besonders detailliert. Was mich persönlich aber sehr interessiert ist, wie diese Daten aus einer Spielszene entnommen werden.
Nehmen wir mal als Beispiel „Defensive Pressure“, was im Beispiel als „1 Defender“ angenommen wird. Es wäre überhaupt nicht ersichtlich, was das in der Schusssituation bedeutet hat. Steht im Umkreis des Schützens ein Verteidiger? Hat der Schütze einen direkten Zweikampf? Setzt ein Verteidiger zum Grätschen an?
Und das ist meiner Meinung nach die Krux hinter der Berechnung: je genauer der Datenpunkt, d. h. je genauer die Schusssituation beschrieben ist, desto feiner (und hoffentlich besser) wird auch die Berechnung des xG-Werts sein. Dementsprechend liegt das Potential, der genaueste xG-Anbieter zu werden, meiner Meinung nach einzig und allein an der Genauigkeit der Daten.
Also für Nils: wenn du reich werden willst, solltest du lieber den genauesten Datensatz entwickeln, den dann die xG-Anbieter von dir abkaufen.
Es wird egal wie niemals eine nahezu korrekte Antwort geben, weshalb ich die Leute, die mit XG-Werten argumentieren auch nie wirklich für voll nehmen kann. Hat für mich nicht mehr Wert als Torschüsse und Schüsse auf das Tor, die Vergleichbarkeit ist eben nie da. Aber bei Schüssen auf das Tor kann man zumindest sagen, das der Ball nicht abgeblockt wurde oder vorbei oder drüber ging, wie bei den xGs.
Man müsste eben alle Daten einbeziehen. Wetter, Wind, Platz, Flutlicht usw. Das wäre niemals möglich.
für die schüsse aufs tor gibts ja xgot. quasi der wert, wie schwer der schuss für den tormann haltbar war. schade, dass sowas in dem video nicht vorkam.
Deshalb nimmt man ja viele Daten, damit sich solche nicht einschätzbaren Faktoren rausmitteln. Tobi hat es ja im Video gut erklärt: Wenn die xGoals Werte für die Saison mit den tatsächlich geschossenen Toren in der Saison übereinstimmen, funktioniert das Modell ausreichend gut. Umfragen funktionieren ja ähnlich oder der Wetterbericht. Da wird auch nicht jedes kleinste Detail ins Modell eingepflegt.
2 „Gefällt mir“
Da würde ich aber sagen, dass das eine Fehlinterpretationen ist. Die xG Werte geben dir den Durchschnitt an, der sich aus dem Abschluss von schlechten sowie guten Spielern ergibt.
Wenn eine Mannschaft mehr Tore schießt als xG erspielt hat, dann hatte sie entweder Glück oder war sehr Gut, weil sie in Summe besser waren als die erspielten xGs.
Deswegen ist meiner Meinung das Verhältnis zwischen xG und xGOT bei Stürmern spannend.
Aber die Aussage dass ein xG Modell dann gut ist, wenn es die real erzielten Tore abbildet ist zu kurz gedacht.
Du kommst aber irgendwann an das Problem, dass mit zunehmender Genauigkeit der Abschlusssituation dir die vergleichbaren Situation fehlen. Je genauer ein Abschluss ermittelt wird je individueller wird er auch und dann hast du irgendwann nur noch wenige Beispiele un einen Durchschnitt zu ermitteln.
Ähnlich wie beim over fitting von ML Modellen.
Deswegen wird xG ja auch immer nur eine Näherung und ein Trend sein und nie ein exakter Wert. Das ist aber im Fußball generell ein Problem. Selbst für einfache Werte wie Torschuss oder Zweikampf ist die Definition schwammig und nicht exakt.
Ne, ist es nicht, weil sich Pech und Glück, gute und schlechte Spieler auch wieder rausmitteln. Wenn das nicht der Fall ist, hat dein Modell einen impliziten Bias und ist nicht mehr einsatzfähig.
In wie fern raus Mitteln? Es ist am Ende ein Durchschnitt von vergleichbaren Chancen. Und es liegt in der Natur der Sache das ein Durchschnitt unter der Leistung von besseren Spielern liegt und über der Leistung von schlechten Spielern.
Das war nur auf deinen letzten Satz bezogen:
Aber wenn die Tore von den xGs abweicht heißt es nicht automatisch, dass das Modell schlecht ist, weil es mal mehr oder weniger Mannschaften gibt die den Durchschnitt über oder unter performen.
Ich glaube nicht daran, dass die Größe des Datensatzes aktuell einen limitierenden Faktor bei der Genauigkeit darstellt. Es gibt immer mehr Spiele, und die Abschlusssituationen werden in mittelfristiger Zukunft ähnlich bleiben.
Das passiert relativ schnell. Du hast ca. 25 Torschüsse pro Spiel und 306 spiele pro Saison. Nimm noch die zweite Liga hinzu, dann sind es 612 Spiele. Das ergibt pro Saison 15.300 Abschlüsse.
Wenn seit ca. 15 Jahren diese Daten in entsprechender Qualität vorliegen, dann kommen wir auf 230.000 Datensätze. Das ist nicht viel, selbst wenn wir die großen 5 Ligen zusammen rechnen schaffen wir es mal gerade auf über eine Million Datensätze.
Je mehr Attribute ich jetzt hinzufüge, desto kleiner werden die Vergleichsgruppen. Und bei den aktuellen Modellen ist man schnell bei 20-30 Attributen.
Ich will nicht sagen, dass die Modelle schlecht sind, aber du musst erstmal die Daten sammeln bist du eventuell mal 40-50 Attribute einsetzen kannst. Auf Grund der geringen Eventanzahl pro Spiel wird das Daten sammeln der limitierende Faktor in den nächsten Jahren sein.
Und wie gesagt, mein Punkt ist dass ich daran nicht glaube. Meine Theorie wäre dass der xG-Wert relativ schnell konvergiert für viele Situationen und Archetypen an Spielern/Systemen. Fußball ist sehr generisch in seinen Aktionen.
Aber keine Ahnung, habe noch keinen Experten zu dem Thema befragen können.
Wird es bei Eddy der Pokalsieg gegen die Bayern, der in der EL gegen Barcelona oder doch ein anderes Eintrachtspiel
Aber ich bin tatsächlich mal auf die Antworten gespannt, hätte da ein paar Ideen - je nach Interpretation und wie weit es zurückreichen darf.
4 „Gefällt mir“
Ist nur Bundesliga gemeint? Dann ist Kaiserslautern 1998 unangefochten der Nummer 1 Underdog-Moment. International fand ich FC Porto 2004 schon sehr überraschend. Oder Griechenland 2004, wenn Nationalmannschaften auch dazu zählen.
1 „Gefällt mir“
Die richtige Antwort ist natürlich das DFB-Pokal-Viertelfinalspiel VfB Stuttgart-FC Carl Zeiss Jena in der Saison 2007/08, wo der 17. der 2. Bundesliga auswärts den amtierenden deutschen Meister rausgeworfen hatte. Insbesondere der Ausgleich in der 120. Minute, danke nochmal Sven Ulreich.
Ist halt alles mehr Underdog als alles von Frankfurt was Eddy nennen könnte.
Gibt halt im Pokal auch die Klassiker wie Vestenbergsgreuth gegen Bayern z.B.
Es ist aber sicherlich kein außergewöhnlicher Underdog-Moment wenn mal ein Abstiegskandidat ein Spiel in der Liga gegen Bayern gewinnt, wenn dann ist es ein Underdog-Moment wenn Leicester in unserer Zeit eine Meisterschaft in der PL holt.