把目标从命中改成理解，很多纠结自然就消失了。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
方法最容易出问题的地方，是偷偷调参。看到某段回测成绩不好，就换窗口、换边界、换权重，直到数字好看为止，这不是优化，是过拟合。pc28预测的做法是先把参数写进记录，再跑样本外验证；验证不通过就承认不通过，而不是回头改参数。算法和模型都应该接受这个约束，否则方法只是事后解释。
方法要能接受反向检验：如果这套方法无效，数据应该呈现什么样子？先把否证条件写下来，再看结果，比事后找理由可靠得多。
样本窗口怎么切
把100期按五段切开，0-9、10-13、14-17、18-21、22-27，可以看到中间两段承载了大部分样本，尾部两段明显变薄。均值13.3、标准差4.7，说明波动主要在重心附近展开。算法输出的区间厚度，和模型给出的概率排序，应该能相互对上；对不上，就要回头检查分桶边界和权重。
样本取最近100期，均值13.3、中位数14、标准差4.7。大小结构上，大（14及以上）占50.0%，小占50.0%；单数占43.0%，双数占57.0%。两个比例都接近一半，符合二分结构的特征。算法把这段样本整理成表，模型据此估计概率，但比例接近50%本身不指示下一期方向。
算法步骤拆开看
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。
算法记录比算法本身更重要。同一套算法，参数记不全就无法复现；参数记全了，换个人也能跑出同样的结果。模型可以换，记录不能丢，这是长期做这件事的基本纪律。
- 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
「连续多少期没出」是最容易传播的一句话，因为它听起来像倒计时。实际上每一期的概率不变，等待不会积累。pc28预测里把遗漏列出来，是为了看间隔分布，不是为了给下一次定时。
把相关性当因果，是数据讨论里的老问题。两个指标一起变化，可能只是都被第三个因素带着走。pc28预测里的算法能算出相关性，但因果要靠对照实验，不能靠观察。
常见问题
把pc28预测讲清楚，比把pc28预测说神更难。清楚意味着边界明确：哪些是记录，哪些是统计，哪些是判断；哪些能复算，哪些只能参考。边界写清楚了，数字才有讨论价值。
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。
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。
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。
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。
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。