换来换去，最后连哪套参数有效都说不清。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。
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。
我最初怎么做
只从结果看pc28预测，很容易得出「准」或「不准」两个极端结论。更合理的看法是分场景：短窗口看方向，长窗口看分布。两者结论不一致是正常的，因为它们回答的根本不是同一个问题。
把问题缩小以后，pc28预测讨论的对象其实很具体：三个数字相加得到一个和值，范围固定在0到27，一共28种结果。所谓预测，是拿最近若干期的记录去估计下一期的分布，而不是算出一个唯一答案。算法负责把频率、遗漏和区间厚度整理成可复核的表，模型再根据这张表给出概率排序。两者都只是工具，真正决定结论质量的，是样本口径有没有写清楚。
三个月后的修正
把最近100期摊开，和值的重心落在13.3附近，中位数14，标准差4.7，偏度0.24。均值和中位数接近，说明样本没有被极端值明显拉偏；标准差描述波动，数值越大，和值离开重心的幅度越明显。最近一期是第3501218期，和值落在分布的主体区间内。这些数字只描述过去这段样本，不构成对下一期的承诺。
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。
| 和值 | 出现次数 | 样本频率 |
|---|---|---|
| 14 | 11 | 11.0% |
| 16 | 9 | 9.0% |
| 11 | 7 | 7.0% |
算法模型起了什么作用
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。
单看一个模型，很容易被某段样本的成绩误导。pc28预测的做法是把多个模型放在一起：时间序列模型看趋势，马尔可夫链模型看状态转移，神经网络模型看非线性组合，蒙特卡洛模型看随机模拟，回归模型看变量关系。每个模型输出一组概率，再按权重合成。权重不是拍脑袋，而是用样本外数据验收后确定。
- 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。
现在的五条经验
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。
参数要少而有解释。每加一个参数，就多一个可以调的空间，也多一个过拟合的机会。pc28预测里常用的参数不超过五个，每个都能说清楚为什么这么定。
常见问题
说到底，pc28预测的价值不在给出一个确定答案，而在把不确定性量化。算法能整理历史，模型能给出排序，但单次结果仍然随机。接受这一点，才能把注意力放在样本质量和记录纪律上，而不是放在某一次命中或落空上。
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。
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。
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。
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。
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。
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。