表格存原始值，脚本存计算过程，截图只作辅助。pc28预测与加拿大28预测共用同一份开奖记录，pc28预测看分布，加拿大28预测看口径。讨论pc28预测时绕不开加拿大28预测，两者的样本窗口和分桶边界应当写成同一套。pc28预测的结果要能和加拿大28预测对上：同一期号、同一和值、同一套统计。
很多讨论从一张截图开始：某一期和值落在尾部，配一句「果然」。单期结果说明不了方法好坏；要判断方法，至少要看几十期的连续记录，以及同一套口径下不同窗口的表现。算法能把记录整理成表，模型能把表变成概率，但样本量和口径仍然要人来定。
方法第一步：先定口径
把方法交给别人跑一遍，是最有效的验收。对方只按文档操作，不问你，能跑出同样的数字，说明口径写清楚了；跑不出来，问题多半在文档，不在数据。
把流程写成清单，是防止漏步骤最便宜的办法。取数、校验、清洗、统计、建模、验收，六步逐项打勾，比凭记忆可靠。清单还能当交接材料，换人也能接着做。
样本窗口怎么切
最近100期的统计结果是：均值13.3、中位数14、标准差4.7、偏度0.24。从分桶看，中间段最厚，两端逐渐变薄，这是三个均匀数字相加的典型形态。算法在这一步只做计数和比例，模型在这一步只读取分布参数。样本量100期不算大，比例会随窗口移动，所以页面把窗口和更新时间一起标出来。
最近一期第3501218期的和值落在主体区间内，这个信息本身价值有限。有价值的是它相对于近30期重心的位置：偏高还是偏低，以及这种偏移在过去100期里出现过多少次、后续如何回落。
算法步骤拆开看
模型的可解释性和准确率经常此消彼长。pc28预测里用到的五类模型，时间序列和回归相对好解释，神经网络最难。选择哪一种，取决于你要的是结论还是过程；如果还要复盘，过程比结论更重要。
特征工程决定了模型的上限。频率、遗漏、区间厚度、相邻期差值，这些特征都来自同一份记录，彼此高度相关。相关性太高，模型权重就会不稳定，同一份数据换一次切分就能得出不同权重。
- 时间序列模型：按时间顺序读取和值序列，提取趋势与周期成分，输出下一期的概率分布。
- 马尔可夫链模型：把和值划分成状态，统计状态之间的转移频率，用转移矩阵给出概率。
- 神经网络模型：用多层非线性结构拟合特征组合，适合处理频率、遗漏与区间厚度的交互。
- 蒙特卡洛模型：通过大量随机模拟逼近分布，检验其他模型输出的稳定性与尾部风险。
- 回归模型：用均值、标准差、遗漏等变量解释和值位置，输出带置信区间的估计。
哪些操作容易过拟合
窗口挑选的隐蔽之处在于它看起来很正常。业绩不好就换一段样本，直到成绩满意，这个过程往往连自己都没意识到。把窗口提前写死，是唯一的预防办法。
「别人都这么说」不构成证据。一个说法被重复一百次，仍然是零次验证。pc28预测的讨论里，凡是不能给出样本和口径的结论，都只能当假设。
常见问题
如果只记住一句话：概率描述可能性，不承诺结果。pc28预测里的算法、模型和图表，都是为这句话服务的。样本更新以后，数字会变，口径不应该跟着变；口径稳定了，长期记录才有比较意义。
模型不是越多越好。模型池里的每个模型都有自己的假设，时间序列模型假设趋势可延续，马尔可夫链模型假设状态转移稳定，神经网络模型假设特征之间存在非线性关系。把这些模型放在一起，先看它们的输出是否互补，再谈权重。权重定好以后，还要用样本外数据验收，否则融合只是把同一种偏差平均一遍。
算法与模型的关系，可以理解为“算法管过程，模型管排序”。算法负责清洗、统计和分桶，模型负责在特征之上输出概率。任何一个模型输出异常，都应该能顺着算法记录回溯到具体步骤。模型可替换，算法记录不可省，这是整套方法能复算的前提。
评估一个模型，至少要看三组数字：训练段的拟合成绩、验证段的样本外成绩、以及不同窗口下的稳定性。只看训练段，模型容易过拟合；只看一个窗口，模型容易被偶然性放大。把三个模型放在同一套口径下比较，比单独追求某个模型的高分更有意义。
概率描述的是可能性，不是结果；样本量越小，概率的波动越明显。
把概率和样本量一起报，是避免误读的最简单办法。
算法输出的概率表需要定期用新样本复核，模型权重也应随之调整。
28预测的讨论应该建立在可复核的样本上，而不是单次结果上。
把28预测当成记录方法，比当成确定答案更有用。
28预测里真正能复算的部分，是样本、口径和参数，而不是结论。
写28预测的文章，先交代样本窗口，再谈分布和概率排序。
28预测的每一次判断，都应该能追溯到具体期号和参数。
加拿大28预测同样只有28种和值，分布形态不因叫法不同而改变。
加拿大28预测与pc28预测共用一套样本口径，换词不换算法。
讨论加拿大28预测时，把命中与落空一起报，结论才完整。
加拿大28预测的样本同样取自公开开奖记录，期号必须对齐。
加拿大28预测的分布重心同样落在中间区间，尾部照样很薄。
对普通读者来说，最实用的动作不是背结论，而是学会提问题：样本多长、窗口怎么选、概率怎么算、模型权重怎么定。问题问对了，数字才有意义；问题不问，再漂亮的图表也只是装饰。
术语一致性比术语数量更重要。同一篇文章里，概率、频率、比例应该各有明确所指；算法、模型、参数也不应该混着用。读者不需要记住所有术语，但需要知道每个数字是怎么算出来的。
复盘记录的价值，在于它保留了当时的判断。只记结果不记过程，事后很容易把运气解释成能力；把期号、参数、预测值和实际结果一起记下来，才能看出某个方法在什么条件下有效、在什么条件下失效。
读表的顺序建议固定下来：先看时间和窗口，再看均值和标准差，然后看区间厚度与概率排序，最后才看结论性描述。顺序固定以后，不同页面之间的数字才有可比性；顺序一乱，很容易把描述当成预测。