字段设计一次到位，清洗和统计的工作量会少一半。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。
只从结果看加拿大28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。
我最初怎么做
很多人第一次接触加拿大28预测，会以为里面藏着某种能算准下一期的公式。实际拆开看，常见做法只有三步：统计最近50到100期的和值频率，计算每个和值距离上次出现的遗漏期数，再按区间给一个权重。算法把这些步骤固定下来，模型负责输出概率排序。步骤本身不神秘，难的是每一步的口径都经得起复算。
如果只用一句话解释加拿大28预测，那就是：用历史样本估计概率分布，再用算法和模型把估计过程标准化。样本窗口、分桶边界、权重系数，这三个参数决定了结果长什么样。换窗口、换边界、换权重，结论就会跟着变。所以看任何一份预测结果，先问口径，再看数字，顺序不能反。
三个月后的修正
把100期按每20期一段切成五段，逐段看均值，会发现段与段之间有差别，但多数差别落在标准差范围内。模型如果对每一段都重新调参，很容易把正常波动当成结构变化，参数也会越调越多。
号码频次表里，出现次数最多的几个通常只比平均值高一点。以100期、28个和值计算，理论平均每个和值出现三四次，最高与最低差几次属于正常。把这个差值当成冷或热，是把随机波动读成了信号。
| 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
单看一个模型，很容易被某段样本的成绩误导。加拿大28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。
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。加拿大28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。
现在的五条经验
口径要写在结果前面。样本窗口、分桶边界、遗漏起点、验证方式，这四项定完再开始算。加拿大28预测里如果先看结果再补口径，很容易不自觉地挑一个好看的窗口。
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。加拿大28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
如果只能带走一句话：把每次判断的条件写下来。条件写清楚了，命中可以复盘，落空也能复盘；条件不写，两个结果都只能算运气。
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。
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。
pc28预测的页面只要把样本窗口写清楚，结论就能被复算。
pc28预测里最有价值的部分是分布与概率，不是某一次命中。
把pc28预测当成记录方法，比当成确定答案更稳妥。
pc28预测的结论要带样本边界，否则读者无法判断适用范围。
把pc28预测的口径写成文字，换个人也能复算出同样的结果。
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。