简介：这份压缩包围绕“用机器学习分析双色球”展开，面向希望把数据处理、特征工程与模型训练串成完整实战流程的初学者和进阶学习者，也可作为彩票数据探索与随机性认知的案例材料。包内共29个文件，以16个Python脚本为主体，辅以SQL建表与入库脚本、JSON数据文件、Markdown说明、PNG图表及Pipfile依赖配置，压缩包约181KB，覆盖数据采集、清洗转换、训练日志和可视化等环节。已有385人学习下载，说明该主题具有一定参考热度。读者可从中了解历史开奖数据的组织方式、号码编码与特征构造思路、TensorFlow与PyTorch等框架的入门练习，以及模型训练评估和结果解释的基本路径；同时能体会彩票结果的随机性与不可预测性，把它当作机器学习项目练手和流程拆解的参考，而非中奖保证。

1. 先泼盆冷水：机器学习分析双色球，能做的和不能做的

有个做后端的朋友，拿两万多期历史开奖记录喂了个模型，回测里蓝球命中率刷到 11%，兴奋了三天；改成严格滚动预测后掉回 6%，跟闭眼瞎猜一模一样。这种落差在双色球数据分析里太常见了。这个 zip 里的项目并不承诺帮你中奖，它给的是一条能完整跑通的机器学习流水线：原始数据解析、特征工程、红球多标签建模、蓝球二分类与概率校准、滚动回测、结果落盘。适合三类人：想把 pandas、sklearn、LightGBM 从头到尾串一遍的练手者，想搞懂时间序列回测到底该怎么切窗口的人，以及拿它当数据分析教学样例的人。想靠它算出下一期号码的，趁早调头，前面只有玄学。

2. 工程结构拆解：一个 zip 里到底装了什么

解压之后不是一堆散落的脚本，而是一个可以反复重跑的小工程。我拆包后做的第一件事，是把目录树打印出来对着看职责边界。这类项目最容易失控的地方，是“数据清洗”和“特征构造”糊在一个文件里，改一行特征就顺带把解析逻辑弄崩。这个包在结构上把两者分开了，值得保留。

2.1 目录树与模块职责

lottery-ml/ ├── configs/ │ ├── default.yaml # 主配置：数据路径、特征窗口、模型参数 │ └── fast.yaml # 小样本快速验证用，跑通链路先跑这个 ├── data/ │ ├── raw/draws.csv # 原始开奖记录，一行一期 │ ├── interim/ # 清洗后的中间态，可随时删掉重生成 │ └── processed/ # 特征矩阵 + 标签，训练直接读这里 ├── src/ │ ├── data/build_dataset.py # 解析、校验、拆列 │ ├── features/feature.py # 遗漏值、冷热号、形态统计 │ ├── models/red_model.py # 红球 33 个二分类器 │ ├── models/blue_model.py # 蓝球二分类 + 校准 │ ├── backtest/rolling.py # 滚动窗口回测 │ ├── train.py # 训练入口 │ └── predict.py # 预测入口 ├── notebooks/ # 探索性分析，随便改不影响主链路 ├── outputs/ # 模型文件、指标 json、预测 csv └── requirements.txt

从职责切分能看出作者的设计意图：data层只保证“一行一期、字段干净”，features层只保证“每一行特征时间戳早于标签”，models层拿到的是纯数值矩阵。这样你换模型不影响数据管道，改特征也不影响回测协议。

2.2 数据层：把历史开奖记录落成一张宽表

原始数据一般是“期号、日期、红球一串、蓝球一个”的形态，红球用空格或逗号分隔，中间夹杂着补录的脏行。构建脚本干的就是把这种半结构化文本压成r1...r6 + blue的定长宽表，顺带做合法性校验。

import pandas as pd def parse_draw(raw: pd.DataFrame) -> pd.DataFrame: """把一行一条的原始开奖记录，拆成一行一期、6+1 列的结构化宽表""" # 红球先统一分隔符再切，兼容空格、逗号、顿号三种写法 reds = raw["red"].astype(str).str.replace(r"[,、]", " ", regex=True).str.split() rec = pd.DataFrame({ "issue": raw["issue"].astype(str).str.strip(), "date": pd.to_datetime(raw["date"], errors="coerce"), "reds": reds.apply(lambda x: sorted({int(v) for v in x if v.isdigit()})), "blue": pd.to_numeric(raw["blue"], errors="coerce"), }) # 三类脏数据直接丢：红球数量不对、有重复被去重后不足 6 个、日期解析失败 rec = rec[rec["reds"].apply(len) == 6] rec = rec.dropna(subset=["date", "blue"]) # 范围校验，防止把别的彩种数据混进来 rec = rec[rec["reds"].apply(lambda x: x[0] >= 1 and x[-1] <= 33)] rec = rec[(rec["blue"] >= 1) & (rec["blue"] <= 16)] # 期号去重后按时间升序，后面的滚动回测强依赖这个顺序 rec = rec.drop_duplicates(subset="issue").sort_values("date").reset_index(drop=True) # 展开成 r1..r6，升序排列后位置本身没有语义，这点后面建模会用到 rec[[f"r{i}" for i in range(1, 7)]] = pd.DataFrame(rec["reds"].tolist(), index=rec.index) return rec.drop(columns="reds")

parse_draw里最关键的不是切分，而是最后那句sort_values("date")。后面的特征工程用shift和rolling表达“过去 N 期”，一旦行序乱了，整个时间轴就错位，模型看起来能训，指标全是假的。另一个细节是红球排序：双色球开奖时红球是按开奖顺序出的，但业务上组合无序，排序之后r1..r6只表示大小关系，不表示位置，这直接决定了 3.2 节为什么不能用六个独立的分类头。

跑完这一步，data/interim/draws.parquet就是全项目唯一的“事实表”，之后所有特征都从它派生。我一般会在这里加一个断言，把期号数量和头尾日期打印出来，跟原始文件对一眼再往下走。

2.3 配置与依赖：config.yaml 是唯一需要动的地方

参数不写死在代码里，是这个包比大多数练手项目讲究的一点。所有窗口长度、模型超参、回测折数都收在 yaml 里，调参不用改 Python，也就不会手滑改坏逻辑。

data: raw_path: data/raw/draws.csv start_issue: "2013001" # 早期数据字段缺失多，一般从这之后开始 min_rows: 500 # 样本太少直接拒绝训练，防止跑出无意义指标 features: lags: [1, 3, 5, 10, 30] # 滞后特征的回看阶数 hot_window: 30 # 热号统计窗口 cold_window: 100 # 冷号统计窗口 roll_windows: [10, 50] # 滚动均值/方差窗口 model: type: lightgbm params: num_leaves: 31 learning_rate: 0.03 n_estimators: 600 min_child_samples: 40 cv: scheme: rolling # 只支持 rolling，random 会泄漏未来 n_splits: 12 gap: 1 # 训练集末尾与验证集之间空一期，缓冲特征窗口渗透

gap这个参数很多人第一眼看不懂。特征里用了 100 期冷号窗口，意味着第 i 行的特征实际“看到”了第 i-100 到 i-1 期。如果训练集截至第 i-1 期、验证集从第 i 期开始，边界上那几行特征和验证标签存在微弱重叠，gap: 1就是给这个渗透留一格缓冲。数值不大，但做时序评估时该留。

min_rows是我加的习惯：样本少于阈值时直接抛异常，而不是训出一个 loss 好看、泛化为零的模型。血泪经验，宁可报错也别出一个假指标。

3. 核心代码逐段讲：从特征矩阵到滚动回测的主链路

数据洗干净只是开始，真正决定这个项目有没有分析价值的是三件事：特征构得对不对、标签定义得清不清、评估协议守不守规矩。下面按调用顺序拆。

3.1 特征构造：遗漏值、冷热号、形态统计

彩票类数据最大的坑是特征看起来很多、信息量却极低。这个包采用了三类相对克制的特征：形态统计（和值、跨度、奇偶比）、逐号遗漏值（某个号码距上次开出过了几期）、窗口热度（最近 N 期出现次数）。三类都不是“预测未来”，而是对历史分布的压缩描述。

import numpy as np import pandas as pd def build_features(df: pd.DataFrame, cfg: dict) -> pd.DataFrame: """输入按时间升序的开奖宽表，输出与 df 行对齐、且只用历史信息的特征表""" reds = df[[f"r{i}" for i in range(1, 7)]].to_numpy() n = len(df) out = df[["issue", "date"]].copy() # 1) 形态类：整注号码的统计摘要 out["sum_val"] = reds.sum(axis=1) out["span"] = reds.max(axis=1) - reds.min(axis=1) out["odd_cnt"] = (reds % 2 == 1).sum(axis=1) out["big_cnt"] = (reds > 16).sum(axis=1) # 大小比按 1-16 / 17-33 切 out["zone1"] = (reds <= 11).sum(axis=1) # 三区分布 out["zone3"] = (reds >= 23).sum(axis=1) # 2) 逐号遗漏值：miss[i][j] 表示第 i 期开奖前，号码 j+1 已经多久没出 miss = np.zeros((n, 33), dtype=np.float32) last_seen = np.full(33, -1, dtype=np.int32) for i in range(n): miss[i] = np.where(last_seen < 0, i + 1, i - last_seen) for num in reds[i]: last_seen[num - 1] = i # 整体下移一行，保证第 i 行看到的是「本期开奖之前」的遗漏 miss = np.vstack([np.full((1, 33), np.nan, dtype=np.float32), miss[:-1]]) miss = pd.DataFrame(miss).ffill().fillna(0).add_prefix("miss_") # 3) 窗口热度：最近 hot_window 期每个号码出现了几次，同样 shift 一位 onehot = np.zeros((n, 33), dtype=np.float32) onehot[np.arange(n)[:, None], reds - 1] = 1 hot = (pd.DataFrame(onehot) .rolling(cfg["features"]["hot_window"], min_periods=1).sum() .shift(1).fillna(0).add_prefix("hot_")) return pd.concat([out.reset_index(drop=True), miss, hot], axis=1)

两个shift是整段代码的命门。遗漏值那段的np.vstack把整块矩阵下移一行，热度用.shift(1)，效果一样：第 i 行的特征只能包含第 i 期之前的信息，标签是第 i 期的开奖结果。少了这两下，模型会拿到“当期号码出现了几次”这种答案提示，训练 loss 直接掉到 0.1 以下，然后实盘一塌糊涂——这是这个项目最容易翻车的地方，也是我做时序特征时唯一会强制写断言的地方。

参数上，hot_window调小（10~30）抓到的是近期波动，调大（100~300）会趋近全局均匀分布，因为每个号码的长期频率都在 6/33 ≈ 18% 附近。roll_windows里的滚动均值和方差，我一般只保留两个窗口就够，特征维度堆到几百列对这类数据只增加过拟合风险。

顺带说一句，树模型不需要对这几类特征做标准化，遗漏值几十、和值上百，对分裂点的选择没有影响。真要上线性模型或者神经网络，得先做分位数变换，不然量纲会把梯度带偏。

3.2 红球：33 个独立二分类器，而不是 6 个分类头

红球是 33 选 6 且不分顺序。有两种常见建模方式：一是当成 33 类多标签问题，每个号码一个 0/1 标签；二是当成“第 k 个球”的 6 个 33 类分类问题。第二种是典型误用——红球排序之后r1..r6只是大小名次，第 3 个球并不比第 5 个球有更多语义，硬拆成六个头等于给模型灌错误的结构先验。这个包选了第一种。

from lightgbm import LGBMClassifier import numpy as np def train_red_models(X: np.ndarray, Y: np.ndarray, cfg: dict) -> dict: """Y: (n_samples, 33) 的 0/1 矩阵，第 j 列表示号码 j+1 是否开出""" params = dict(cfg["model"]["params"]) models = {} for j in range(33): y = Y[:, j] pos_rate = y.mean() # 正样本太少时退化为常数先验，训出来的树没有统计意义 if y.sum() < 30: models[j] = ("prior", float(pos_rate)) continue clf = LGBMClassifier(objective="binary", random_state=42, **params) clf.fit(X, y) models[j] = ("lgbm", clf) return models def predict_red_proba(models: dict, X: np.ndarray) -> np.ndarray: """输出 (n_samples, 33) 的边际概率矩阵，注意它不是一注号码""" proba = np.zeros((len(X), 33), dtype=np.float32) for j, (kind, obj) in models.items(): if kind == "prior": proba[:, j] = obj else: proba[:, j] = obj.predict_proba(X)[:, 1] # 每期强制归一化到 6 个球，保持与真实分布同量级，方便回测对比 proba *= 6.0 / proba.sum(axis=1, keepdims=True) return proba

每个号码的正例率大约是 6/33 ≈ 18.2%，不算极端不平衡，所以没上scale_pos_weight，直接binary就行。33 个模型串行训练，600 棵树 × 33，单机跑完几分钟，成本可以接受；想快就把n_estimators降到 200 先看趋势。

predict_red_proba末尾那行归一化很有必要，但容易被误解：它只是把 33 个边际概率缩放到总和为 6，量级上对得上“一期出 6 个球”，不代表这 33 个数能直接拼成一注有效组合。真正取一注还得做无放回抽样或者按约束求解，这部分放到第 6 章讲。很多人看到概率矩阵就直接argsort取前 6，结果每期输出一模一样，以为是模型没训好，其实是取法错了。

3.3 蓝球：二分类加概率校准

蓝球是 16 选 1，单标签多分类，用predict_proba拿 16 个类别的概率最直接。但要注意，项目里默认走的是“16 个独立二分类”还是“单模型 16 分类”，取决于数据量：样本上万时直接multiclass更稳，几千条时独立二分类反而收敛得快。无论哪种，概率都得校准，否则输出的 0.4 和真实频率 0.4 对不上，后面的组合抽样就是自欺欺人。

from sklearn.calibration import CalibratedClassifierCV from sklearn.metrics import brier_score_loss, log_loss import numpy as np def train_blue(X_tr, y_tr, X_va, y_va, base_clf): """isotonic 校准需要足够样本，样本少时用 sigmoid""" method = "isotonic" if len(X_tr) >= 3000 else "sigmoid" clf = CalibratedClassifierCV(base_clf, method=method, cv=3) clf.fit(X_tr, y_tr) p = clf.predict_proba(X_va)[:, 1] base = np.full_like(p, y_tr.mean()) # 全猜训练集先验的基线 print(f"logloss model={log_loss(y_va, p):.4f} " f"base={log_loss(y_va, base):.4f}") print(f"brier model={brier_score_loss(y_va, p):.4f} " f"base={brier_score_loss(y_va, base):.4f}") return clf

基线一定要打出来。16 类均匀分布的对数损失是 ln16 ≈ 2.77，全猜某个固定号码的基线大约也是这个量级。如果模型 logloss 是 2.75，看着“比基线好”，实际差距在噪声范围内，没有任何实用意义。我见过太多人只贴一个accuracy: 0.07就宣布模型有效，而 1/16 = 6.25%，7% 和 6.25% 的差别，在几千条验证样本上根本不是显著差异。

Brier 分数比准确率更能反映概率质量，值越小越好，均匀猜的 Brier 约 0.0586（对二分类而言），这两个数放在一起看，就能判断模型到底学到了东西还是只学到了先验。

3.4 回测：滚动窗口和必须对齐的基线

回测协议是整个项目里最不能省的部分。随机切分（train_test_split(shuffle=True)）在这类数据上会把未来样本混进训练集，指标虚高得离谱。这个包只支持滚动窗口，每一折训练集都在验证集之前。

import pandas as pd import numpy as np def rolling_backtest(df: pd.DataFrame, cfg: dict, fit_predict) -> pd.DataFrame: """fit_predict(train_df, test_df) 内部自行构造特征，外部不传任何全量统计量""" n_splits = cfg["model"]["cv"]["n_splits"] gap = cfg["model"]["cv"]["gap"] step = len(df) // (n_splits + 1) rows = [] for k in range(n_splits): train_end = step * (k + 1) test_start = train_end + gap test_end = min(test_start + step, len(df)) if test_start >= len(df): break tr = df.iloc[:train_end] te = df.iloc[test_start:test_end] preds = fit_predict(tr, te) # 返回每期的概率矩阵与实际号码 rows.append(evaluate(preds, te)) return pd.DataFrame(rows).agg(["mean", "std"]).T def evaluate(preds: dict, te: pd.DataFrame) -> dict: """核心指标：红球平均命中个数，与超几何分布期望 6*6/33≈1.09 对比""" hits = [] for proba, actual in zip(preds["red_proba"], te[[f"r{i}" for i in range(1, 7)]].to_numpy()): top6 = np.argsort(-proba)[:6] + 1 hits.append(len(set(top6) & set(actual))) return {"red_hit_mean": float(np.mean(hits)), "n": len(hits)}

evaluate里的 1.09 这个基线值得记住：随机选 6 个红球，命中个数的数学期望是 6 × 6/33 ≈ 1.09。模型如果做到 1.15，只能说明它在“选热门号”这件小事上略微有效——因为热门号的出现频率确实长期稳定在 18% 附近，而真实分布并不均匀。做到 1.3 以上才值得怀疑是不是泄漏了，而不是庆祝。

fit_predict的签名设计是刻意为之：训练集和测试集分开传进去，特征构造在函数内部对tr单独做。这样任何“用全量数据算均值再 transform”的写法都会在代码审查时暴露出来。做时序回测，接口设计比纪律更可靠。

4. 把项目跑起来：三条命令和四个输出目录

结构看明白了，接下来是实打实的环境。这类项目依赖不重，主要是 pandas、numpy、scikit-learn、lightgbm，加个 pyarrow 读 parquet。真正卡人的往往不是装包，而是数据文件和路径。

4.1 环境安装与数据准备

建议单独建虚拟环境，别往系统 Python 里灌。LightGBM 在部分平台上需要编译工具链，用 wheel 装最省事。

# 1) 建环境（Python 3.9+ 均可） python -m venv .venv source .venv/bin/activate # Windows 用 .venv\Scripts\activate # 2) 装依赖，版本锁在 requirements.txt 里 pip install -r requirements.txt # 3) 准备原始数据，放到 configs/default.yaml 里配置的路径 mkdir -p data/raw # 把整理好的开奖记录存成 data/raw/draws.csv，至少要 issue,date,red,blue 四列 # 4) 先跑最小配置验证链路，几百条数据也能走通 python -m src.data.build_dataset --config configs/fast.yaml

原始 csv 至少要有issue、date、red、blue四列，红球用空格或逗号分隔都行，解析函数两种都兼容。如果你的数据里日期格式不统一，先在parse_draw里补format参数，别指望to_datetime自动猜对所有情况——errors="coerce"会把解析失败的行静默变成 NaT，然后被dropna悄悄丢掉，数据少了一截你还不一定发现。

fast.yaml存在的意义就是先跑通再上量。我第一次解这类包时习惯直接上全量，结果卡在一个字段类型上折腾半小时，用fast.yaml二十秒就能定位是环境问题还是数据问题。

4.2 三个命令行入口

主链路就三条命令，分别对应构建、训练、预测，回测是训练之后的可选步骤。

# 构建特征矩阵，输出到 data/processed/ python -m src.data.build_dataset --config configs/default.yaml # 训练红球 33 个二分类器 + 蓝球模型，模型存到 outputs/models/ python -m src.train --config configs/default.yaml --model lightgbm # 滚动回测，折数可在命令行覆盖 yaml 里的配置 python -m src.backtest --config configs/default.yaml --folds 12 # 对下一期做推理，输出概率矩阵和候选组合 python -m src.predict --config configs/default.yaml --topk 12

--model参数支持lightgbm、xgboost、logistic三个值，最后一个用来跑基线，很方便。--folds覆盖配置而不是改文件，是我比较推荐的做法：实验参数走命令行，工程参数留在 yaml，两者职责别混。

--topk 12的意思是输出概率最高的 12 个红球候选，从里面组合出若干注。这个数别调太大，超过 18 之后候选集几乎覆盖全部号码，输出就没信息量了。

4.3 输出物与日志排查

跑完之后outputs/下会出现这些东西，每个都有明确用途：

日志级别用--log-level DEBUG打开会打印每一折的训练区间和验证区间，排查泄漏时非常有用。feature_importance.csv我一般看前 20 行，如果排在最前面的全是hot_*和miss_*，说明模型主要在学号码频率；如果形态特征（和值、跨度）排得很高，反而要警惕，这类特征和具体号码没有因果关系，多半是在拟合噪声。

5. 踩坑排查：这套代码在我机器上翻过的五次车

跑通只是开始，能不能得到有意义的结论是另一回事。下面五条都是我实际遇到过的问题，按现象、原因、解决记下来，照方抓药能省不少时间。

5.1 数据与环境：两个看起来像 bug 的配置问题

现象一：换台机器跑，训练明明成功了，预测时报KeyError: 'miss_1'。原因：特征矩阵用 parquet 落盘，不同 pandas 版本对列顺序和索引的恢复行为不一致，加上部分环境没装 pyarrow，静默退回了 csv，索引列被当成了普通列。 解决：在build_dataset末尾显式df = df[sorted(df.columns)]固定列序，读文件时显式指定encoding="utf-8-sig"，并把 pyarrow 写进 requirements。自从踩过这次坑之后，凡是落盘的特征表我都固定列序再存。

现象二：build_dataset跑完没报错，但样本数比原始文件少了两千多条。原因：pd.to_datetime(..., errors="coerce")把格式异常的日期变成 NaT，紧接着的dropna把它们全删了，日志里没有任何提示。 解决：解析后先打印raw_len和clean_len的差值，超过 1% 就raise。数据静默丢失是最难查的一类问题，宁可中断也别默默少一截。

5.2 模型层：标签泄漏和错误的取法

现象三：训练集 AUC 0.78，验证集 AUC 0.51，一路横着走。原因：特征里混进了当期开奖的统计量。最隐蔽的一处是遗漏值，代码里遍历reds[i]更新last_seen之后没有把结果整体下移，第 i 行拿到的是“本期开完之后”的遗漏。 解决：在特征构造函数末尾加断言，检查任意一行的特征是否与当期号码相关，最直接的办法是构造一个仅用df.iloc[:i]重算的参照值做比对。这条断言我后来写成了模板，所有时序特征一律带。

现象四：每期预测出来都是同一组 6 个红球，连续跑十期一模一样。原因：predict_red_proba输出的边际概率矩阵直接argsort取前 6，等于每期都取边际概率最高的那批号码，而边际概率本身随时间变化很慢。 解决：改成按概率无放回抽样，或者加上和值、奇偶、区间分布的约束后求解，让输出体现模型的不确定性。这件事说明概率矩阵和“一注号码”之间还差一层采样逻辑，别混为一谈。

5.3 回测与结果解读：别拿训练集成绩当结论

现象五：回测平均命中 2.4 个红球，激动了半小时，换时间段复现掉到 1.1。原因：features里的滚动均值和冷热窗口在切分之前对全量数据算好了，等于用未来数据构造了历史特征；另外回测只有 3 折，样本量太小，2.4 这个数字本身就是噪声。 解决：所有窗口统计量只在训练窗口内fit，验证窗口只做transform；折数提到 12 折以上；每次必须打印超几何基线 1.09 做对比。做完这三步，命中数回到 1.1 附近，才是真实水平。

另外提醒一句，蓝球的accuracy 0.07这类指标单独看没有意义，1/16 = 6.25%，样本量少的时候 7% 完全在随机波动范围内。把 logloss 和 Brier 一起打出来，再跟均匀分布基线并排放，结论才站得住。

6. 二次开发：把它改成正经的时间序列实验框架

这个包底子不错，但要真拿来做实验，有几处必须改。第一处是把 33 个独立二分类换成多标签模型（MultiOutputClassifier或者 LightGBM 的multiclass直接对 33 个位置做联合建模），边际概率之间会互相约束，输出更合理。第二处是加一层组合采样，把概率矩阵变成可解释的候选注数。

import numpy as np def sample_ticket(proba: np.ndarray, k: int = 6, rng=None) -> list[int]: """按边际概率无放回抽样生成一注，比 argsort 取 top-k 更能反映不确定性""" p = np.asarray(proba, dtype=np.float64) p = np.clip(p, 1e-6, None) p = p / p.sum() idx = rng.choice(np.arange(1, 34), size=k, replace=False, p=p) return sorted(idx.tolist()) def sample_tickets(proba, n_tickets=5, k=6, seed=7): rng = np.random.default_rng(seed) seen, out = set(), [] while len(out) < n_tickets: t = tuple(sample_ticket(proba, k, rng)) if t not in seen: # 去重，避免输出重复注 seen.add(t) out.append(list(t)) return out

sample_ticket的关键在replace=False：无放回抽样天然保证一注里号码不重复，比先取 33 个概率再过滤重复组合要干净得多。clip防止某些号码概率被校准压到 0 之后抽样报错。seed固定是为了让同一次实验可复现，出报告时能对得上。

改造清单按优先级排一下：

我最想强调的还是评估协议。改完模型先别急着看命中数，把校准曲线画出来，横轴预测概率、纵轴实际频率，理想情况是一条 45 度直线。如果模型输出的 0.3 对应实际 0.18，那后面的组合采样全在放大偏差。这套流程我从一个翻了车的项目里学来的：当时模型指标好看，上线后全线崩，查了两天才发现是校准没做，概率全挤在 0.5 附近。从那以后我每次做概率输出，都强制先过一遍校准曲线和 Brier 分数，再谈业务指标。希望帮到你。

本文还有配套的精品资源，点击获取