祝融说。

一个成立结果还不能回答一组判断

周四十九点，顾宁翻到连续记录的下一页。唐可问，如果一项采用四分之三的判断后来成立，是否就说明它校准得不错？顾宁说，我们可以记录这次结果，却还不能从一次成立评价一组四分之三判断怎样表现。

四分之三不是每次都成立，也不是四次必有三次成立的日程安排。要检查概率与结果的对应，需要找到实际发出的相应判断，说明范围与版本，再看其中成立的频率。

本章仍在虚构澄湾。R17当前没有最终概率采用，也没有完整确认结果。十九点出现的是对评价方法的讨论，不是R17已经进入了一组可评分成绩。后文的批次均另设为独立示例，不加入澄湾原登记。

上一章给出账本入口，本章使用入口检查校准。对象若不明确、数值未真正采用、结果未能裁决，便不能只从叙述挑出一个概率，再给它配一个后来结局。

概率与条件结果的对应

在二选事件中，记成立为Y=1，未成立为Y=0，事前发出的肯定概率记为p。Ranjan与Gneiting的《概率预测的组合》（2010）在明确的概率框架中将校准写为P(Y=1｜p)=p。

这意味着，在该框架中，给出某个概率的判断所对应的成立概率，应与这个报告值一致。它是预测与结果的关系，不是只看报告值是否在零和一之间，也不是看记录者说话是否有把握。

实际有限账本并不直接让我们读到条件概率本身。我们可以将相同或相近的报告值分组，观察对应频率，作为诊断材料。诊断所得的频率相合与上述性质已经被完整证明，需要分开。

这里采用二选事件的表述，不展开连续变量预测分布的不同校准概念。正式框架为我们明确问题，不能替澄湾取得未发出的概率、未知结果或无限多次重复。

总体平均相合还不够

设一个独立的二十对象示例，任务定义与相对窗口对应，所有数值都在相应结果未知时发出，最后每项都有充分裁决。十项属于事前可识别的较低机会组，十项属于较高机会组。

给定结果为：较低组两项成立、八项未成立，较高组八项成立、两项未成立。全体十项成立，频率为二分之一。这个设定仅提供示例账本，不表示我们已知道现实存在这样稳定的条件组。

第一套报告对二十项一律给二分之一。它的报告平均是二分之一，结果频率也是二分之一；第二套报告对较低组给五分之一、较高组给五分之四，报告平均也为二分之一。

两套的总体均值相合，判断结构却不同。只保留全体均值，读者看不出谁为不同对象报告了不同程度。总体相合是一项关系，不能替概率分组完成全部检查。

第二套报告怎样进入概率组

在第二套报告中，五分之一组有十项，对应两项成立，观察频率五分之一；五分之四组也有十项，对应八项成立，观察频率五分之四。两个报告组在这个有限样本里分别相合。

我们可以准确说，示例的两组观察频率与报告值一致。不能再多走一步，说每个对象的真实成立概率都已被证实，或下一批仍必然同样相合。

频率检查保留组的数量。十项与一千项即使比例相同，提供的诊断材料仍不一样；但怎样量化不确定性，还需要明确抽样、依赖和其他假设，不能只由数量直接生成精度。

第一套报告只有一个二分之一组，二十项中十项成立，也在这个报告组上相合。它没有因为不区分对象而自动不校准。校准与是否有能力表达对象差别，是相关但不同的问题。

校准不独自完成分辨任务

若当前材料能够在结果之前识别较低与较高组，第二套报告表达了这种区别。第一套报告仍在全体频率上相合，却没有把这项可用区别放进概率。

因此，不宜只问哪个更校准，还可以问，判断在有支持的条件下能否给不同对象适当程度。这个问题涉及分辨能力，不能靠把数字随意推近零或一来解决。

若没有相应材料，报告更极端可能只是在语气上更有把握。校准诊断可以约束这种程度，后面的评分也会帮助比较，但一次极端报告猜中不代表已经取得分辨支持。

本章不将分辨能力等同于所有使用价值。即使某一套概率表达了对象区别，是否行动、怎样安排资源仍需另外判断。概率评价说明表征怎样表现，不能独自完成下册的行动配置。

相同平均可以掩盖相反分组

在同一二十对象示例里，设第三套报告，反过来对较低组给五分之四，对较高组给五分之一。其报告平均仍是二分之一，全体结果频率也仍是二分之一。

但五分之四报告组实际只有两项成立，频率五分之一；五分之一报告组实际八项成立，频率五分之四。两处偏离没有在总体平均中留下差别，因为方向相反而数量相等。

这个比较不需要宣布第三套的每一个对象都判断错误。它明确指出，有限报告组与结果频率的对应不相合。一个汇总数抹去了我们正在检查的条件关系。

因而，账本不应只保存报告均值与成立总数。至少在准备做校准诊断时，要能返回相应概率组及结果。总体平均可以保留，但不能拿它替代被省略的分组。

报告组与条件子组不同

回到一律给二分之一的第一套报告，在报告值层面只有一个组，观察频率二分之一。如果再按事前可识别的低、高条件拆开，两个子组频率分别是五分之一与五分之四。

这不需要改口说原报告组总体相合是假的。它说明，同一个报告值在某些条件子组中还有未表达的差别。总体校准诊断通过，并没有检查每一种更细条件。

子组应按问题与取得材料说明。若在看完结果以后任意拼出成立多或成立少的组，当然容易找到差异；这样的探索可以生成新问题，不能直接冒称事前已经能够使用的区分。

我们可以先问哪些条件原来有理由检查，再看相应子组。校准问题由此可以逐步加细，而不是将一次总体相合说成全部条件都可靠，或由任意事后子组宣布全部判断都无效。

分组边界也属于方法

实际预测常不是反复报告同一个值，而是出现六成、七成、八成等相近数字。为了便于汇总，可能把它们放进一个宽组，但组内代表值需要说明。

如果组里同时有六成与八成，不能只因为标题写“七成组”，就假定每项原报告都是七成。可以计算组内报告平均，再与对应频率比较；平均是摘要，原值关系仍应保留。

边界采用怎样的包含规则，也影响对象进入哪组。七成正好在相邻区间边界时，需要有一致规则，不能看到结果后将成立的边界对象移去某组、未成立的移去另一组。

分组越细，可能越能看见报告程度差别，也可能使每组材料稀少。分组越宽，数量增加，但相反偏离可能抵消。没有一套边界能只凭表面整齐获得全部支持。

一个宽组可以隐藏两个偏离

另设十项示例，不加入前二十项。五项事前报告六成，最后五项全成立；另五项事前报告八成，最后两项成立。组内报告平均七成，全体七项成立，观察频率也是七成。

若六成至八成被放在一个宽组，平均与频率恰好相合。但分别看，六成报告组频率为一，八成报告组频率为五分之二，两个有限样本偏离被宽组平均抵消。

这里同样不能由五项结果推定相应真实概率就是一或五分之二。它只展示宽组摘要会省略什么。样本里的相合与不相合，都应按实际数量和边界表达。

所以，一张漂亮的分组图可以是有用入口，却不是全部诊断。读者应知道分组规则、组内数量与报告平均，必要时能够查看更细结构。图的平滑与统计关系的支持不共享全部意义。

稀少材料不填成稳定频率

如果九成报告只出现两次，两次都成立，观察频率是一。这个比例可记录，但不能由两次成立证明以后九成报告必然成立，也不能仅因一与九成不等就认定模型已被彻底否定。

有限结果有波动，波动怎样解释需要相应条件。我们可以先报告数量与偏离，等待更多材料，并检查是否存在明显对象或记录问题。无需为了得到一个明确结论而虚构精度。

增加材料也不能只收容易裁决或容易符合报告的对象。若稀少组后来通过选择补入，判断范围可能改变。数量变多与范围保持，是两项需要同时检查的关系。

本章不直接给出置信区间或正式检验阈值。那需要明确统计模型与适用条件。没有采用这些工具，不妨碍我们先准确说明观察了几项、如何分组，以及现有材料仍不能支持什么。

重复预测不能伪装成更多终局

上一章L02在同一事件上有两次事前预测。若都放进诊断图，它们对应相同结果。可以用来研究不同时点的判断，但数量与依赖关系要说明。

假如一项事件被预测十次，最后成立，便在十个概率位置都添了一个成立标签。这不是十项不同事件都成立。若将其与十项独立终局的材料量并列，会夸大可用于推断的支持。

这里不禁止评价全部更新记录。需要先说明问题：是首次预测的校准，接近截止时的校准，还是更新过程里各个时点的诊断。版本规则与事件关系决定怎样读取结果。

因此，汇总最好同时保留预测记录数与不同事件数。仅给一个总行数，容易让读者以为全部行提供相同性质的重复材料。任务关系明确以后，再讨论适当的统计处理。

已裁决子集仍有限定范围

有一批概率已发出，部分窗口尚未结束，部分结果材料还待核查。当前可以对已裁决部分做诊断，但应说明它不自动等于全批次校准。

若较容易确认的对象先得到结果，或者某类含混消息更难裁决，当前已裁决子集可能有特定结构。我们不能只因每一项裁决真实，就省去子集如何形成。

把未决全记为未成立，会改变目标；把未决全删掉而不报告，则隐藏范围。账本可以同时保存总进入数、已裁决数、窗口未到与材料待核类别，让诊断有清楚分母。

等后来补回结果，可以生成新的诊断版本。曲线或频率变化可能来自范围扩大，不一定来自预测模型重新采用。评价变化也要有来路，不能每次都归于记录者能力变化。

时间位置改变会改变可用材料

周四上午未知较多时的概率，与周五临近截止时的概率，可能面对不同剩余时间与消息。若无说明混在同一组，组内相合可能不回答我们真正想比较的能力。

可以按相近预测时距分别诊断，也可以明确评价一套多时点报告的整体。但同样数值来自不同信息位置，读者应当知道这种混合，而不是认为各项任务条件天然相同。

尤其要将已取得充分成立材料后的肯定陈述分开。它可以正确表达知识状态，却不展现未知结果时怎样报告概率。句子用了“会”，也不会将已知结果重新变成事前不确定。

澄湾当前R17仍未采用最终概率，不能为了凑进某个概率组，把历史候选计算当作周四上午或十九点正式报告。方法页讲得清楚，也不能替缺少的输入取得事实。

批次相合不保证规则没有改变

若前一批采用旧模型，后一批改了材料入口与分组规则，应分别保存。将两批混合后频率相合，可能掩盖每批不同方向的偏离，也可能适用于一个新的混合范围。

我们可以评价整体，只需说明整体由哪些规则与对象组成。若想判断新模型的接续能力，则应返回新规则形成以后实际发出的判断，而不是只看用于修改旧模型的同一批结果。

在旧批次发现七成组偏高或偏低，可以推动未来调整，但新数值还需要后续材料。把旧批次重新赋值使分组相合，说明完成了一次拟合或重述，不等于新规则已被新结果验证。

旧记录因此仍有价值。它帮助说明模型为何改变，而新记录帮助检查改变怎样表现。两批关系接续，不能由一次回算将形成规则与检验规则压成同一个证明。

猜中比例没有保存概率程度

另设一百项完整裁决的示例，十项成立、九十项未成立。一套事前报告对每项给一成，另一套对每项给百分之一。若只用超过二分之一便猜成立的规则，两套都会一律猜未成立。

按这种二选猜法，两套都猜中九十项，猜中比例九成。但前者报告组的观察频率一成与报告相合，后者报告百分之一而观察频率一成，有限分组里有明确偏离。相同猜中比例没有保留两套报告的程度差别。

这不证明第一套在所有条件下都理想，也不由一百项设定替它取得未来保证。它只说明，将概率先压成肯定或否定，会拿走校准正在检查的一部分信息。

因此，不能把“经常猜中”直接作为“概率校准”的同义语。原报告值应保留，二选猜法若有工作用途可以另记，不能在评价时让后者覆盖前者。下一章的程度评分也会依赖这一区别。

结果标签的质量仍要核查

校准表中的成立标签来自裁决。如果标签把部分接受也算完整确认，或把修改版算第一版，即使分组频率与报告值相合，也只是对这套含混标签表现出相合。

因此，诊断不能取代结果质量检查。应先确认标签与原事件对应，再讨论报告与标签的关系。发现裁决有误时，可更正并生成新的诊断版本，而不是为了保持原图漂亮而维持错误分类。

多人采用相同标签规则有助于一致核查，却不独自保证规则已经充分支持。原文与条件能否对应，仍需要回材料。统计表内整齐与材料用途准确，是两项可以分别完成、也可能分别出问题的工作。

澄湾已有事件卡正是为这里服务。清单收到不能升级为完整接受，站方可安排也不能升级为双方接受。校准需要后续实际预测与裁决，但这些既有边界在后续数量增加时仍应保持。

校准诊断指向具体检查

如果某个概率组长期观察频率低于报告值，可以检查是否高估了某类条件、重复计入材料、混入不同窗口，或者存在结果裁决问题。偏离提出检查方向，不独自选定其中哪一种原因。

如果频率高于报告，也要同样追问。可靠性不只意味着避免乐观，低估同样可能使报告与材料不对应。方向应由记录检查，不能由谨慎或积极的共同气氛决定。

有时分组相合，却在某个事前可识别的条件子组里明显偏离，就需要重开那个条件范围。也可能没有足够数量支持细分，应如实保留，不能为了产生改进建议强行建立新规则。

校准页与竞争解释页由此连接：一页描述报告与结果怎样对应，另一页追问为什么。前者不需要已经讲完全部原因，后者也不能仅凭一种原因故事宣称频率关系已经修复。

准确表达本次检查的边界

顾宁拟定一段诊断说明：所用批次、实际发出规则、结果定义、分组边界、每组数量、平均报告与对应频率，以及未决和排除范围。它可以压缩，但关键关系不能省。

如果没有正式检验，就不把观察偏离写成已达某个显著性结论；如果没有统计区间，就不把图上宽窄写成精度范围。方法状态与预测采用状态一样，需要清楚。

本次观察相合可以直接写相合，不必为了显示谦虚否认它。需要避免的是把有限相合扩成永久校准，或把某一组相合扩成每种条件都可靠。

不同诊断目的可以并列，读者应知道每张图回答哪一问。一个总体表、概率组表与条件子组表，不是同一结果重复三次，而是从不同关系检查同一批记录。

校准不等于过程被穷尽

在RC 的内部立场中，概率是一种为当前问题组织的有限表征。校准检查让报告值与结果接续，能够约束表征；它不证明模型已经包含现实全部条件，也不验证基础哲学已经经验成立。

即使某个范围持续相合，新条件进入后仍可能需要重开。开放不意味着任何反面结果都可被忽略，已经足以说明某组偏离的材料仍应保留，并推动对应检查。

反馈能促进校准，需要报告、对象与裁决真实可返回。若每次都事后改数、换组或换目标，曲线可以更好看，却失去对原判断的约束，旧解释也可能更加僵化。

所以，校准的工作不是授予一个永远可信的身份，而是持续检查明确范围内的对应。记录者可以暂时采用有支持的表征，同时保留数量、范围与变化条件。

十九点二十分保存诊断问题

周四十九点二十分，顾宁保存校准页的结构。实际报告组、总体均值与条件子组分开，数量、待决、版本和批次有返回位置；独立示例的相合只作为方法说明，不写成澄湾成绩。

R17的正式概率仍未形成，完整确认仍未取得。历史五次确认与粗B条件表保留原用途，不补成一批已经发出并裁决的概率预测。十九点的讨论也不改变周五十七点截止。

下一章将采用一种明确评分，比较概率程度与单次结果的关系。评分能够补充诊断，但也可能在范围含混或激励改变时被误读；它需要本章与上一章保留的对象，不能只拿一个平均分替全部判断签字。