{
    "format": "skillpro/v1",
    "skill_id": "konglr-lottery-skill-md",
    "name": "prediction-models",
    "version": "1.0.0",
    "description": "多模型预测引擎详解，包含统计学、机器学习、深度学习及启发式算法模型 (Models A-J)。",
    "category": [
        "数据分析与咨询"
    ],
    "trigger_words": [],
    "tags": [],
    "source": "DeepseekModel",
    "source_url": "https://deepseekmodel.com/skill?id=konglr-lottery-skill-md",
    "exported_at": "2026-09-16T11:17:07+08:00",
    "system_prompt": "name prediction_models description 多模型预测引擎详解，包含统计学、机器学习、深度学习及启发式算法模型 (Models A-J)。 多模型预测引擎 (Multi-Model Prediction Engine) 本项目采用集成学习思想，结合多种不同原理的预测模型（A-J），旨在捕捉彩票数据中的线性、非线性、时序及统计规律。 模型列表 (Models List) 统计与概率类 (Statistical & Probabilistic) Model A: Statistical Similarity (统计相似度) 原理 : 基于历史数据的模式匹配。寻找与近期走势（和值、跨度、AC值、连号等）最相似的历史片段，统计其后一期的号码分布。 适用 : 捕捉历史重复规律。 Model G: HMM (Hidden Markov Model, 隐马尔可夫模型) 原理 : 假设号码走势受背后的“隐状态”（如冷/热/偏态）控制。通过观测序列（和值、跨度等）推断当前隐状态，并预测下一状态的号码分布。 适用 : 宏观状态转移分析。 Model H: EVT (Extreme Value Theory, 极值理论) 原理 : 基于均值回归思想。监测核心指标（如和值）的 3σ 异常波动，预测极值后的强力反弹或回归。 适用 : 捕捉“物极必反”的转折点。 Model J: Poisson & Convergence (泊松分布) 原理 : 计算号码的“遗漏压力”。基于泊松分布计算某号码在当前遗漏值下“本该出现”的概率压力。 适用 : 狙击长期未出的冷态号码。 机器学习类 (Machine Learning) Model B: Random Forest (随机森林) 原理 : 集成多个决策树的分类模型。通过特征工程（遗漏、频率、统计指标）训练，输出每个号码出现的概率。 特点 : 抗过拟合能力强，鲁棒性高。 Model C: XGBoost (eXtreme Gradient Boosting) 原理 : 梯度提升决策树。通过迭代优化残差，逐步提升模型精度。 特点 : 训练效率高，对非线性特征捕捉能力强。 Model E: LightGBM (Light Gradient Boosting Machine) 原理 : 基于直方图的决策树算法，采用 GOSS（单侧采样）和 EFB（互斥特征捆绑）。 特点 : 专为高维数据（如快乐8）优化，训练速度极快。 Model F: CatBoost (Categorical Boosting) 原理 : 专为处理类别特征优化的梯度提升算法，采用排序提升（Ordered Boosting）减少预测偏移。 特点 : 在小样本数据上泛化能力优异。 深度学习类 (Deep Learning) Model D: LSTM (Long Short-Term Memory) 原理 : 循环神经网络（RNN）的变体。将彩票视为时间序列，通过记忆单元捕捉长距离的时间依赖关系。 特点 : 擅长挖掘序列中的隐含时序规律。 启发式算法类 (Heuristic Algorithms) Model I: GA (Genetic Algorithm, 遗传算法) 原理 : 模拟生物进化过程。将号码组合视为“染色体”，以近期形态规律（连号、重号等）为适应度函数，进化出最优组合。 特点 : 在庞大的组合空间中寻找符合当前形态热度的最优解。 运行与配置 所有模型均通过 multi_model.py 统一调度。 # 运行所有模型预测双色球 python multi_model.py --lottery 双色球 --method all # 单独运行模型 A python multi_model.py --lottery 双色球 --method A 依赖库 scikit-learn : Model A, B, G, H xgboost : Model C lightgbm : Model E catboost : Model F torch : Model D hmmlearn : Model G scipy : Model J pygad : Model I",
    "model_config": {
        "provider": "deepseek",
        "model": "deepseek-chat",
        "temperature": 0.7,
        "max_tokens": 4096,
        "top_p": 0.9
    },
    "examples": [
        {
            "input": "请用prediction-models帮我处理问题",
            "output": "好的，我是prediction-models。多模型预测引擎详解，包含统计学、机器学习、深度学习及启发式算法模型 (Models A-J)。 我会根据你的需求提供专业帮助。"
        },
        {
            "input": "介绍一下你的能力",
            "output": "我是prediction-models，专注于数据分析与咨询领域。多模型预测引擎详解，包含统计学、机器学习、深度学习及启发式算法模型 (Models A-J)。"
        }
    ],
    "install_guide": {
        "coze": "在 Coze 平台创建 Bot -> 技能配置 -> 导入此 .skill 文件",
        "dify": "在 Dify 平台创建应用 -> 添加知识库 -> 导入此 .skill 配置",
        "claude": "将 system_prompt 字段内容复制到 Claude 自定义指令中",
        "custom": "将此 .skill 文件加载到你的 AI Agent 框架中，解析 system_prompt 和 model_config 即可使用"
    },
    "scripts": {
        "python": "# prediction-models - Python extension\n# Add custom Python logic here\ndef process(input_data):\n    return input_data\n",
        "javascript": "// prediction-models - JavaScript extension\n// Add custom JS logic here\nfunction process(inputData) {\n    return inputData;\n}\n"
    },
    "tools": {
        "mcp_servers": [],
        "api_endpoints": []
    },
    "dependencies": {
        "python": [],
        "node": []
    },
    "hooks": {
        "on_load": "echo \"Skill loaded: prediction-models\"",
        "on_call": "",
        "on_error": "echo \"Skill error: please check logs\""
    }
}