模型只报一个数，就像天气预报只说“明天 25℃”：看着明确，却没告诉你可能偏多少。T. Moudiki 汇总了一组 R 实例，重点不是让预测更准，而是给每次预测配上预测区间——例如不只报 100，还说明新结果大多会落在哪个范围。其做法是共形预测：借助模型在已知样本上的误差校准区间；在样本可交换等条件下，它能达到预先设定的长期覆盖率，也不要求模型服从某种特定概率分布。
其中最值得留意的是快速 jackknife+。常规做法会轮流留出一个样本，再训练模型并组合各次结果，计算成本不低。作者称，对于预测可写成 ŷ=Sy 的一类模型，包括普通最小二乘、岭回归、核岭回归和平滑样条等，可以直接用线性代数得到 jackknife+ 区间，无需反复拟合。边界也要说清：共形化改善的是区间覆盖是否可信，不会自动补回弱模型遗漏的规律，也不会让点预测凭空变准；目前材料未提供具体速度或覆盖率数字。