百分号后面是样本内的比例，不是对下一期的承诺。
只从结果看28预测心得，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。
这个说法从哪来
28预测心得里的“预测”两个字容易被放大。严格说，它做的是分布估计：根据历史样本，给出各个和值出现的相对可能性。概率最高的几个值，也只是相对更高，不代表必然出现。算法可以处理频率和遗漏，模型可以做加权和融合，但没有任何模型能改变单次开奖的随机性。把这一点放在前面，后面的数字才不会读歪。
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。
把概率算一遍
把概率换成次数更好理解。一个理论概率约5%的和值，在100期里期望出现5次，实际出现2次或9次都不奇怪。区间越宽，波动看起来越小；区间越窄，单次结果的影响越大。28预测心得里讨论概率，必须把区间和样本量一起说。
分布的重心在中间，不代表中间一定出。以最近100期的频率看，排名靠前的和值是14、16、11，对应出现11次、9次、7次。把它们换算成概率，仍然只是十几个百分点。算法给出排序，模型给出权重，读者要做的，是把这些概率和样本量放在一起看，而不是只盯最高的那个数字。
算法与模型的边界
模型的可解释性和准确率经常此消彼长。28预测心得里用到的五类模型，时间序列和回归相对好解释，神经网络最难。选择哪一种，取决于你要的是结论还是过程；如果还要复盘，过程比结论更重要。
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。28预测心得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。
- 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。
怎么避免误读
「别人都这么说」不构成证据。一个说法被重复一百次，仍然是零次验证。28预测心得的讨论里，凡是不能给出样本和口径的结论，都只能当假设。
「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。28预测心得里把遗漏列出来，是为了看间隔分布，不是为了给下一次定时。
常见问题
样本会更新，结论会变，唯一不应该变的是口径。今天用这套窗口和边界，明天还用同一套，前后的数字才有可比性。28预测心得的长期价值，就藏在这种一致性里。
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。
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。
样本量决定了结论能说多满。100期可以看清分布的大致形态，但不足以证明某个比例长期稳定；30期能看近期方向，却更容易被偶然波动带偏。把样本量和比例一起报，是避免过度解读的最简单办法。
结论要有边界。页面能说的是：在这段样本、这套口径、这组参数下，分布呈现什么形态，概率排序是什么样。页面不能说的是：下一期一定会怎样。把能说的和不能说的分开，读者才不会把统计描述当成承诺。
长期观察的意义，不是证明某个号码会出，而是检验方法在不同样本里的稳定性。换一个窗口、换一段数据，结论是否还站得住，比单次命中更有参考价值。稳定性差的模型，即使某段成绩很漂亮，也不值得长期依赖。