每多一个参数，就多一个过拟合的入口。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。
它到底在算什么
问pc28预测有没有用，先要问它在什么条件下用。固定样本、固定口径、固定参数，方法才能被比较；条件一变，之前所有数字都要重算。这不是方法的缺陷，而是任何统计工具的共同前提。
pc28预测里最容易被忽略的是更新：开奖在继续，样本在移动，昨天算出来的分布今天就会变一点点。算法要按固定节奏重算，模型要定期复核权重，页面要把更新时间和样本窗口一起标出来，读者才知道自己在看哪一段。
三个数字与28个和值
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。
分位数比均值更能说明尾部。最近100期里，四分之一分位与四分之三分位之间承载了一半样本，其余散在两端。偏度0.24说明分布略微偏向一侧，但幅度有限。算法报这几个数，是为了让读者知道重心在哪、尾巴有多长。
| 和值 | 出现次数 | 样本频率 |
|---|---|---|
| 14 | 11 | 11.0% |
| 16 | 9 | 9.0% |
| 11 | 7 | 7.0% |
算法与模型的配合方式
训练、验证、测试三段要分开。训练段定参数，验证段选模型，测试段只跑一次。pc28预测里常见的错误是把验证段反复使用，直到成绩满意为止，这样测试段就失去了意义。
多模型融合有三种常见做法：平均、加权、堆叠。平均最简单但忽略差异，加权需要验证集，堆叠容易过拟合。pc28预测里选哪一种，要看样本量够不够支撑更复杂的结构。
- 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。
回测记录该怎么看
把算法步骤拆开，通常是四步：清洗记录、统计频率、计算遗漏、按区间加权。每一步都要留下中间结果，否则出了问题无法定位。pc28预测的方法页把四步分开写，是为了让读者能逐步复核。模型接在第四步之后，读取加权后的特征并输出概率。算法保证可复现，模型保证可比较，两者缺一不可。
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。
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。
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。
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。