⚖️ 同一个误差进合同以后会变价

MSE 对正负误差使用对称的平方惩罚，而往期案例的采购成本有明显的 成本非对称：多预留一单位按 1 计，少预留一单位按 10 计。对应的临界比率约为 10 / 11 = 0.9091，采购动作会更关注预测分布的高分位位置。模型从「预测得多接近」走到「应该留多少货」时，评价规则已经换了。

顺着这条链，可以把四层对象拆开：

• 🎯 拟合层记录训练 MSE，检查模型怎样解释已知数据。
• 🌊 预测层记录测试 RMSE 与预测分布，检查未来误差和波动幅度。
• 📦 决策层把预测分布换成预留量，保留当时可用的信息。
• 💰 结算层用真实需求计算闲置与缺货成本，最后比较方案。

往期样例里，乘法模型的 12 期预测标准差达到 1,203.36，测试段真实需求的标准差为 651.92。较宽的预测分布把高分位预留量推到 9,338.20，高于加法方案的 8,980.13，于是多出来的预留量继续传到闲置成本。这个小例子解释了成本差异的来源，也提醒我们，换一组数据后仍要重新走完整条链。

✍️ 把模型结论写成一条因果链

到草稿阶段，我会按四个动作写 因果传导，让每一句都能接住上一句：

1. 先写清数据切分与决策时点，例如「前 24 期拟合，后 12 期只在预测完成后用于测试和结算」。
2. 再并列训练 MSE 与测试 RMSE，指出模型排序在哪一行发生变化。
3. 接着说明预测分布怎样推高或压低预留量，把模型差异落到采购动作。
4. 最后比较闲置与缺货成本，并把选型结论限制在当前样例的数据与罚则内。

放进分析段，可以写成：「乘法模型在训练段取得较低 MSE，但它的预测分布更宽，高分位预留量因此升至 9,338.20。这个采购动作在往期样例中带来 12,943.91 的结算成本，高于加法方案，所以本组数据与成本规则下采用加法方案。」前半句交代模型变化，中间写采购动作，末句才落到成本与选择，数字之间就有了可追踪的连接。

✅ 交前让草稿过三道门

最后可以直接对着草稿勾一遍：

• 所有输入都标清决策时已知或结算后才知道，测试段真实需求只进入测试和结算。
• 训练 MSE、样本外 RMSE、预留量和实际成本出现在同一处比较，结论覆盖四个指标。
• 模型假设、预测分布、预留量与成本之间都有一句具体解释，数值变化能够沿链条追回原因。
• 本期案例名、数据区间、成本参数和提交格式均与当前 Canvas 一致；Tazocin 数值只留在往期方法演示中。

三道门都能从草稿里找到对应内容后，再写最终的模型选型结论。这样，结论前面有清楚的信息边界，中间有完整的指标连接，后面也能落到采购成本。

📚 交稿前最后一查：先锁住决策时点，再让每个数字走完「模型 → 预测分布 → 预留量 → 成本」。