概率、样本量、窗口、更新时间，四列要一起读。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。
有人把加拿大28预测当成一个公式，输入期号就输出答案。实际做过的人知道，它更像一套流程：取数、清洗、分桶、统计、建模、验收，每一步都有可调参数。流程的价值在于可复现，而不在于保证结果。
它到底在算什么
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。
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。
三个数字与28个和值
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。
区间厚度可以用两张表交叉验证：一张按固定边界统计次数，一张按累计比例统计覆盖。两张表对不上，通常是边界定义不同。算法在做这件事时会把边界写进参数，模型读取的是同一套边界。
| 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
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。
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。
回测记录该怎么看
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。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
把加拿大28预测讲清楚，比把加拿大28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。
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。
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。