第 25 章 · 置信带什么时候张开：数据内 vs 外推
这一章要解决什么：第 24 章知道 GPR 会给 ±σ，但那个 σ 到底由什么决定？ 搞清楚这件事，你才能判断"这个区间在什么情况下可信"。
最容易踩的坑：把 σ 当成"模型的不确定"。 它其实主要是**"那一带有没有数据"**的度量 —— 数据多的地方窄，数据少的地方宽，和模型准不准是两件事。
本章你需要完成的代码：demos/ch25-confidence-band.py
25.1 先看数据密度：带宽的真正来源
真实输出：
text
=== ① 数据里每个 cycle 有多少样本？（这决定了带宽）===
cycle 的样本数：最少 2 / 中位 60 / 最多 60
数据止于 cycle = 1440
cycle= 50 该圈有 60 个样本
cycle= 200 该圈有 60 个样本
cycle= 600 该圈有 60 个样本
cycle= 1000 该圈有 0 个样本
cycle= 1200 该圈有 25 个样本
cycle= 1400 该圈有 6 个样本
cycle= 1440 该圈有 2 个样本
cycle>1440 → 0 个样本（外推区）★ 这张表揭示了一件很重要的事
cycle = 50 有 60 个样本（60 支设备都还在跑）
cycle = 1000 有 0 个样本（只有少数长寿设备跑到这里）
cycle = 1200 有 25 个样本
cycle = 1400 有 6 个样本
cycle = 1440 有 2 个样本 ← 数据止于此为什么 cycle = 1000 是 0 个样本，而 cycle = 1200 有 25 个？
设备寿命 800~1500 圈，且窗口是"每 2~4 圈一个"
↓
cycle = 1000 这个具体数值，恰好落在了各设备的窗口之间的缝隙里
↓
所以"某圈有几个样本"本身是波动的
↓
但总体趋势很清楚：【cycle 越大，样本越少】★ 这个趋势决定了 GPR 的带宽形状
数据密集处（cycle 50~800，每圈约 60 个样本）
→ 有大量观测"拉住"后验 → σ 小
数据稀疏处（cycle 1300+，每圈只剩几到十几个样本）
→ 观测少 → σ 开始变大
完全没有数据处（cycle > 1440）
→ 没有东西拉住 → σ 收敛到"先验标准差"（上限）★ 一句话记住：
置信带的宽度 ≈ "这一带有没有数据"的度量，而不是"模型好不好"的度量。
25.2 带宽的完整剖面
真实输出（节选关键段）：
text
cycle 样本数 预测 ±2σ 分区
60 ... 0.9928 0.0473 数据区（样本密）
200 60 0.9729 0.0442 数据区（样本密）
600 60 0.9111 0.0444 数据区（样本密）
1000 0 0.8567 0.0451 数据区（样本稀）
1200 25 0.8354 0.0460 数据区（样本密）
1350 12 0.8267 0.0648 数据边界（样本变稀）
1400 6 0.8108 0.0665 数据边界（样本变稀）
1450 0 0.8574 0.0930 ★ 外推区
1500 0 0.9062 0.1169 ★ 外推区
1800 0 0.9091 0.1170 ★ 外推区★ 读这个剖面，三个阶段
| 阶段 | cycle | 样本数 | ±2σ | 现象 |
|---|---|---|---|---|
| 数据区（密） | 50~800 | 每圈约 60 | ≈ 0.044 | 平坦，几乎不变 |
| 数据边界（稀） | 1300~1440 | 每圈 6~25 | 0.065~0.077 | 开始张开 |
| 外推区 | > 1440 | 0 | 0.117 | 收敛到上限 |
★ 关键观察：数据区内带宽几乎是常数（0.0442~0.0460）
这是一个反直觉但很重要的点：
在数据密集区，无论 cycle 是 200 还是 600，带宽都是 0.044 左右
↓
为什么？因为 GPR 学到的噪声（noise_level = 0.157）【处处一样大】
↓
这个噪声项主导了带宽 → 数据区内带宽平坦★ 所以"置信带随距离张开"这个说法，只在数据变稀的地方成立。
在数据充足的地方，GPR 的 σ 反映的是"数据的固有噪声"，不是"它对这一带熟不熟悉"。
25.3 三个关键位置的对比
真实输出：
text
=== ③ 三个关键位置的带宽对比 ===
cycle=1200（数据区内，样本密）：±2σ = 0.0460
cycle=1440（数据结束处） ：±2σ = 0.0765 （是数据区内的 1.7 倍）
cycle=1500（刚出边界） ：±2σ = 0.1169 （2.5 倍）
cycle=2000（远在外推区） ：±2σ = 0.1170 （2.5 倍）
★ 注意：带宽不会无限增长，它在 0.1170 附近【收敛】了。
再往外推（5000/20000/100000 圈）也还是 0.1170 —— 见第 ⑤ 节。★ "收敛"这件事很值得想一想
离数据越远 → 越不确定 → 带宽越大
↓
那一直往外推，带宽会无限增长吗？
↓
不会。它会【停在某个上限】。为什么：
远离所有数据之后，GP 的后验就退化成先验：
均值 = 先验均值（通常是全局平均）
方差 = 先验方差（一个固定值）
↓
再往外推，它对这个区域"一无所知"的程度【已经是最大了】
↓
所以带宽停在上限，不再增长★ 这个上限的准确含义：
「我对这个区域的了解 = 我什么都不知道。」 这不是"精度不够"，是"信息为零"。
点开：为什么"带宽收敛"反而是好事？
如果没有上限，会出现什么荒谬情况？
假设带宽无限增长：
cycle = 1,000,000 → ±500
↓
"这支设备在 100 万圈时的健康度是 0.9 ± 500"
↓
这个区间跨过了 [0, 1] 的整个物理范围，甚至超出了
↓
没有任何信息量 —— 它在说"可能是任何值，包括不可能的值"★ 收敛到先验方差，等价于以下说法的量化版：
"关于这个区域，我没有任何信息，所以我只能给你我的先验认知。 我的先验是：它大概是 0.9 左右，波动范围大约 ±0.12。"
这是一个诚实且有边界的回答。
★ 一个实用推论
对于"完全外推"的样本，GPR 的输出实际上没有区分度：
python
# 在完全外推区（cycle 远超 1440），GPR 对每个点给出的几乎一样
for c in (2000, 5000, 20000):
mu, sd = gpr.predict(pd.DataFrame({"cycle": [float(c)]}), return_std=True)
print(f"cycle={c}: {mu[0]:.4f} ± {2*sd[0]:.4f}")
# cycle=2000: 0.9091 ± 0.1170
# cycle=5000: 0.9091 ± 0.1170
# cycle=20000: 0.9091 ± 0.1170 ← 完全一样所以：
如果你的业务需要"cycle = 3000 时的预测"，
GPR 的正确回答不是"0.9091 ± 0.1170"，
而是【"这个区域我没有数据，无法预测"】。★ 怎么在生产系统里处理这种情况
python
def predict_with_guard(model, x_query, x_train_range, margin=0.05):
"""超出训练数据范围就拒绝预测，而不是给一个"先验值"。"""
lo, hi = x_train_range
if not (lo * (1 - margin) <= x_query <= hi * (1 + margin)):
return None, f"超出训练数据范围 [{lo}, {hi}]，拒绝预测"
mu, sd = model.predict(pd.DataFrame({"cycle": [x_query]}), return_std=True)
return (mu[0], sd[0]), ""
# 这就是第 03 章讲过的"拒识（reject option）"★ 记住这条工程原则：
一个可靠的系统，应该能说"我不知道"，而不是把"先验"当成"预测"输出。
GPR 的收敛上限，本质上就是它在说"我不知道"。 但你需要【显式地】把它翻译成"拒绝预测"， 否则下游会把 0.9091 当成一个正常的预测值用。
25.4 ★ GPR vs 线性回归：外推区的行为对照
这一节是本章最有教学价值的部分。
真实输出：
text
=== ④ 外推区的预测值往哪走？（对比线性回归）===
cycle GPR 预测 GPR ±2σ 线性预测
1400 0.8108 0.0665 0.7921
1440 0.8411 0.0765 0.7862
1500 0.9062 0.1169 0.7774 ← 外推
1800 0.9091 0.1170 0.7336 ← 外推
2000 0.9091 0.1170 0.7043 ← 外推★ 两个模型给出了【完全相反】的外推行为
GPR： 0.8108 → 0.8411 → 0.9062 → 0.9091 → 0.9091
↑ 回升！然后停在全局平均附近
线性回归： 0.7921 → 0.7862 → 0.7774 → 0.7336 → 0.7043
↓ 一路往下，非常"确定"★ 两种行为各自的含义
线性回归的行为：
它假设"soh 和 cycle 是直线关系"，这个假设对任何 cycle 都成立
↓
所以它会一直往下算，从不犹豫
↓
cycle = 2000 时给 0.7043 —— 看起来是个明确答案
↓
但数据里最远只到 1440 圈，这个数字【没有任何证据支持】GPR 的行为：
它假设"函数是平稳的"（相邻的 cycle 有相似的 soh）
↓
在远离数据的地方，"平稳"意味着"和先验一样"
↓
所以它退回先验均值（0.9091），并给出先验标准差（±0.1170）
↓
它其实在说："这里我什么都不知道"★ 关键认知：两者都不是"正确答案"
GPR 的 0.9091 意味着"我不知道，只能给你先验"
线性回归的 0.7043 意味着"我按直线外推，非常确定"
↓
两者的共同点是：【都不该被用来做 cycle=2000 的决策】区别在于：
| 线性回归 | GPR | |
|---|---|---|
| 输出的形式 | 一个数字 | 数字 + 区间 |
| 你能看出它不可信吗 | ❌ 看不出来 | ✅ 区间很宽 |
| 下游会不会误用 | ⚠️ 很可能 | ✅ 通常会警觉 |
★ 这就是"诚实"的工程价值：
GPR 的价值不在于它外推得更准（它不准）， 而在于它【把"我不准"这件事说了出来】。
★ 但也要记住第 24 章的边界
GPR 的"诚实"依赖于它的假设成立：
GPR 假设"函数平稳" → 所以外推时退回均值
↓
如果物理上 soh 不可能回升（退化不可逆）
↓
那么 GPR 退回 0.9091 这个行为【违背了物理】
↓
此时它的区间（±0.1170）也是错的 —— 因为它基于错误的先验★ 最终结论（这一章的核心）：
任何模型的外推都不可信，包括会给区间的那个。"知道模型在哪里不可信"是使用者的责任，不是模型的责任。
25.5 常见坑
text
① 把 σ 当成"模型准不准" → 它主要是"这一带有没有数据"的度量
② 以为数据区内带宽会随距离增长 → 数据充足处带宽由噪声决定，基本平坦
③ 以为外推区带宽无限增长 → 它会收敛到先验标准差（一个上限）
④ 把外推区的"先验均值"当成预测值用 → 那是"我不知道"，不是"预测是 0.909"
⑤ 只看 GPR 的"诚实"就信任它 → 它的先验假设也可能与物理不符
⑥ 忘了在线性回归的外推区加防护 → 它给不出任何警告信号25.6 完整示例与输出
bash
cd code
python demos/ch25-confidence-band.py真实输出（节选）：
text
=== ③ 三个关键位置的带宽对比 ===
cycle=1200（数据区内，样本密）：±2σ = 0.0460
cycle=1440（数据结束处） ：±2σ = 0.0765 （是数据区内的 1.7 倍）
cycle=1500（刚出边界） ：±2σ = 0.1169 （2.5 倍）
cycle=2000（远在外推区） ：±2σ = 0.1170 （2.5 倍）
=== ⑤ 外推区宽度有上限吗？===
cycle= 2000 ±2σ = 0.1170
cycle= 5000 ±2σ = 0.1170
cycle= 20000 ±2σ = 0.1170
cycle= 100000 ±2σ = 0.1170产出的图：
本章练习
练习 1：画出带宽剖面，并找出"开始张开"的位置
用 GPR 在 cycle = 50 到 1800 的网格上预测，输出每个点的 ±2σ，然后：
- 找出带宽第一次超过"数据区内平均带宽 1.5 倍"的 cycle 值；
- 把那个位置和"数据最远到哪一圈"对比；
- 解释这个位置为什么在那儿。
参考答案
python
import numpy as np
import pandas as pd
from sklearn.gaussian_process import GaussianProcessRegressor
from sklearn.gaussian_process.kernels import RBF, WhiteKernel
df = pd.read_csv("data/battery/soh_features.csv")
y = df["soh"]
cyc_max = int(df["cycle"].max())
rng = np.random.default_rng(42)
idx = rng.choice(len(df), size=800, replace=False)
Xg, yg = df[["cycle"]].iloc[idx], y.iloc[idx]
kernel = (RBF(length_scale=30.0, length_scale_bounds="fixed")
+ WhiteKernel(noise_level=1e-3, noise_level_bounds=(1e-8, 1e1)))
gpr = GaussianProcessRegressor(kernel=kernel, normalize_y=True, random_state=42).fit(Xg, yg)
grid = pd.DataFrame({"cycle": np.arange(50, 1801, 25, dtype=float)})
mu, sd = gpr.predict(grid, return_std=True)
band = 2 * sd
# 数据区内的"基准带宽"（用前 40% 的点，都在密集区）
base = band[:int(0.4 * len(band))].mean()
print(f"数据区内基准带宽（±2σ）≈ {base:.4f}")
# ① 第一次超过 1.5 倍
over = np.where(band > 1.5 * base)[0]
if len(over):
c0 = grid["cycle"].iloc[over[0]]
print(f"第一次超过 1.5 倍的位置：cycle = {c0:.0f}（±2σ = {band[over[0]]:.4f}）")
# ② 与数据边界对比
print(f"数据最远到 cycle = {cyc_max}")
print(f"→ 开始张开的位置比数据边界【早 {cyc_max - c0:.0f} 圈】")
# ③ 逐点表
print(f"\n{'cycle':>7}{'样本数':>8}{'±2σ':>10}")
cnt = df.groupby("cycle").size()
for c, b in zip(grid["cycle"], band):
if c % 100 == 0 or 1300 <= c <= 1500:
print(f"{c:>7.0f}{int(cnt.get(int(c), 0)):>8d}{b:>10.4f}")期望输出：
text
数据区内基准带宽（±2σ）≈ 0.0445
第一次超过 1.5 倍的位置：cycle = 1450（±2σ = 0.0930）
数据最远到 cycle = 1440
→ 开始张开的位置【比数据边界晚一点点】★ ③ 为什么带宽会上升？
关键在于【样本密度】，而不是"有没有到边界"：
cycle = 1200：25 个样本 → 带宽 0.0460（还很平坦）
cycle = 1300： 0 个样本 → 带宽 0.0467
cycle = 1400： 6 个样本 → 带宽 0.0665（开始上升）
cycle = 1440： 2 个样本 → 带宽 0.0765
cycle = 1450： 0 个样本 → 带宽 0.0930 ← 网格上首次超过基准的 1.5 倍⚠️ 一个需要如实说明的细节：这张网格每 25 圈取一点， 所以"首次超过 1.5 倍"落在 1450（数据边界 1440 之后）； 但从逐点看，带宽从 1350 圈左右就已经在上升了（0.0648、0.0665 都明显高于 0.0445）—— 只是没跨过"1.5 倍"这条线。
用不同的阈值，这个位置会在 1350 和 1450 之间移动。 所以更准确的表述是："带宽从 1300 圈以后开始明显上升"，而不是某个精确的圈数。
★ 一个重要推论
"数据边界"是一个【看范围】的概念（最大 cycle 是多少）
"信息边界"是一个【看密度】的概念（多少圈之后样本变少）
GPR 的置信带反映的是【信息边界】，不是数据边界。这解释了为什么带宽会在 1350 圈就开始上升 —— 不是因为"快到边界了"，而是因为"这一带只有十几个样本了"。
★ 实践意义
如果你的决策依赖某个 cycle 区间的预测：
✅ 应该看"那个区间的样本量"，而不只是"它在不在数据范围内"
❌ 不要以为"在数据范围内"就意味着"预测可信"一个可操作的做法：
python
# 把"样本量"和"带宽"并排看，找可信区间
print(f"{'cycle 区间':>14}{'样本数':>9}{'平均±2σ':>11}")
for lo in range(50, 1450, 200):
m = (df["cycle"] >= lo) & (df["cycle"] < lo + 200)
g = (grid["cycle"] >= lo) & (grid["cycle"] < lo + 200)
print(f"{f'{lo}-{lo+200}':>14}{int(m.sum()):>9d}{band[g].mean():>11.4f}")这张表能直接回答"我的预测在哪个区间可信"。
练习 2：给 GPR 加一道"外推防护"
写一个函数 predict_guarded(gpr, cycle, x_train_max, max_extrapolation=1.05)：
- 如果
cycle > x_train_max * max_extrapolation，返回None和拒绝原因； - 否则返回
(均值, 标准差)。
要求：说明为什么"拒绝预测"比"给出先验值"更好。
参考答案
python
import numpy as np
import pandas as pd
from sklearn.gaussian_process import GaussianProcessRegressor
from sklearn.gaussian_process.kernels import RBF, WhiteKernel
df = pd.read_csv("data/battery/soh_features.csv")
y = df["soh"]
x_train_max = int(df["cycle"].max()) # 1440
rng = np.random.default_rng(42)
idx = rng.choice(len(df), size=800, replace=False)
Xg, yg = df[["cycle"]].iloc[idx], y.iloc[idx]
kernel = (RBF(30.0, length_scale_bounds="fixed")
+ WhiteKernel(1e-3, noise_level_bounds=(1e-8, 1e1)))
gpr = GaussianProcessRegressor(kernel=kernel, normalize_y=True, random_state=42).fit(Xg, yg)
def predict_guarded(model, cycle, x_max, max_extrapolation=1.05):
"""带外推防护的预测：超出训练范围就拒绝。"""
if cycle > x_max * max_extrapolation:
return None, f"超出训练数据范围（最大 {x_max} 圈），拒绝预测"
mu, sd = model.predict(pd.DataFrame({"cycle": [float(cycle)]}), return_std=True)
return (float(mu[0]), float(sd[0])), ""
for c in (600, 1200, 1440, 1500, 2000, 20000):
val, reason = predict_guarded(gpr, c, x_train_max)
if val is None:
print(f"cycle={c:>6} → {reason}")
else:
mu, sd = val
print(f"cycle={c:>6} → {mu:.4f} ± {2 * sd:.4f}")期望输出：
text
cycle= 600 → 0.9111 ± 0.0444
cycle= 1200 → 0.8354 ± 0.0460
cycle= 1440 → 0.8411 ± 0.0765
cycle= 1500 → 超出训练数据范围（最大 1440 圈），拒绝预测
cycle= 2000 → 超出训练数据范围（最大 1440 圈），拒绝预测
cycle= 20000 → 超出训练数据范围（最大 1440 圈），拒绝预测★ 为什么"拒绝预测"比"给出先验值"更好
先看"给先验值"会发生什么：
GPR 对 cycle=2000 给出：0.9091 ± 0.1170
↓
下游系统把它当成一个正常预测：
"健康度 0.9091，高于退役线 0.80 → 继续使用"
↓
而真相是："这个区域我没有任何数据，0.9091 只是我的先验均值"
↓
【一个'我不知道'被当成了'我预测很健康'】★ 三个具体危害
① 数值本身有误导性
0.9091 恰好是个"看着很健康"的值（因为它接近全局平均）
↓
如果先验均值是 0.95，误判会更严重② 区间宽度不会被下游正确解读
不是所有下游都会检查 "±0.1170 是否太宽"
大多数会直接用均值③ 它把"信息缺失"伪装成了"信息"
"预测值 0.9091" 和 "没有预测" 是两种【不同类型的输出】
↓
把它们混成同一种（都返回一个 float）
↓
调用方就失去了区分它们的能力★ 正确的接口设计
python
# ❌ 坏接口：永远返回一个 float，调用方无法区分
def predict_bad(model, x):
return model.predict(x) # 外推区也会返回一个数
# ✅ 好接口：用"拒绝"表达信息不足
def predict_good(model, x, x_max, margin=1.05):
if x > x_max * margin:
return None # 显式的"我不知道"
return model.predict(x)★ 一个更完整的四态设计（生产系统常用）
python
from enum import Enum
class Status(Enum):
OK = "可信"
WIDE_BAND = "区间较宽，谨慎使用"
OUT_OF_RANGE = "超出数据范围，拒绝预测"
NO_DATA = "该区域无数据"
def predict_v2(model, cycle, x_max, base_band, margin=1.05):
if cycle > x_max * margin:
return Status.OUT_OF_RANGE, None, None
mu, sd = model.predict(pd.DataFrame({"cycle": [float(cycle)]}), return_std=True)
band = 2 * sd[0]
if band > 1.5 * base_band:
return Status.WIDE_BAND, float(mu[0]), band
return Status.OK, float(mu[0]), band★ 这与第 03 章和本章 25.3 节呼应
第 03 章：线性回归在外推区"敢给出答案"，因为它不会说"我不知道"
第 24 章：GPR 能说"我不确定"，但需要你先验证区间可信（覆盖率）
第 25 章：GPR 在外推区会给"先验值" —— 那不是预测，需要显式拒绝
↓
三章合起来是一条完整的思路：
【从"模型给什么"到"系统该怎么用"】★ 一句话总结
"拒绝预测"是一种输出，而且是一种重要的输出。 一个从不拒绝的模型，在信息不足的地方也会给出答案 —— 那些答案看起来和正常答案一模一样，这是最危险的部分。
练习 3：为什么 GPR 的外推会"回升"？
从第 25.4 节的输出看，GPR 在 cycle > 1440 时预测值从 0.81 回升到 0.91。 请解释：
- 这个"回升"是模型算错了吗？
- 如果物理上 SOH 不可能回升，那该怎么办？
- 这说明了模型的一个什么性质？
参考答案
① 不是算错，是"先验"在起作用
GPR 的假设：函数是【平稳的】—— 相邻输入的输出应该相似
↓
在远离数据的地方，没有任何观测"拉住"后验分布
↓
后验退化成先验：均值 = 先验均值（≈ 全局平均 0.90），方差 = 先验方差
↓
所以它给出 0.9091 ± 0.1170"回升"的本质：
不是"模型认为健康度会回升"
而是"模型对那里一无所知，于是返回了它的默认认知（全局平均）"
↓
数据区末尾的预测（cycle=1440 → 0.8411）比全局平均（0.9091）低
↓
所以从 0.8411 走到 0.9091，看起来像"回升"★ 一句话：
那不是"回升"，是"从数据拉住的低值，过渡到没有数据时的默认值"。
② 物理上不可能回升该怎么办
三个层次的应对：
层次一：加外推防护（最简单）
python
if cycle > x_train_max * 1.05:
return None, "超出数据范围，拒绝预测"层次二：换一个带单调性约束的模型
GPR 本身不保证单调。想让它单调，需要：
· 用"单调 GP"（如对输入的导数加符号约束）
· 或者对输出做变换（比如建模"退化量"而不是"健康度"—— 退化量单调递增）一个很实用的技巧：
python
# 不直接建模 soh，而是建模"退化量" = 1 - soh
# 退化量在物理上单调不减 → 很多模型的输出天然更合理
df["degradation"] = 1 - df["soh"]
# 或者建模"剩余寿命"，它单调递减★ 这个"换个目标变量"的技巧在工程上很常用 —— 把"物理上单调的量"作为预测目标，能让模型的外推行为更合理。
层次三：用领域知识做后处理
python
mu, sd = gpr.predict(...)
mu = np.minimum.accumulate(mu) # 强制单调不增⚠️ 但后处理会破坏区间的一致性：
你把均值改成了单调的，但 σ 还是原来的
↓
"均值 + σ" 的组合可能不再满足覆盖率
↓
所以这是个"工程妥协"，不是"正确答案"③ 这说明了模型的什么性质
★ 模型必然带有假设，而假设可能不成立。
线性回归的假设：soh 与 cycle 是直线关系（可以外推）
GPR 的假设 ：函数平稳（外推时退回先验）
决策树的假设 ：预测是分段常数（外推时给边缘叶子的值）每种假设在外推区的表现都不同：
| 模型 | 外推行为 | 合理吗 |
|---|---|---|
| 线性回归 | 沿直线延伸 | 若关系真是线性的，合理；否则危险 |
| GPR | 退回先验均值 | 若"平稳"成立，合理；若物理要求单调，不合理 |
| 决策树 | 给最边缘叶子的均值 | 恒定值，不会回升也不会下降 |
| 随机森林 | 同决策树（多棵平均） | 同上 |
★ 一个有趣的观察：
决策树/森林在外推区给"常数"（最边缘叶子的均值）
↓
这反而比线性回归"更安全" —— 它不会给出越来越离谱的值
↓
但它同样没有"我不知道"这个信号★ 最终结论
没有任何模型能自动保证外推正确。 外推的正确性来自"物理约束 + 领域知识",而不是来自模型选择。
模型的职责是在有数据的区域给出可靠预测； 在没数据的区域，"识别出这一点"是使用者的职责。
这也是为什么这一章花了大量篇幅讲"怎么识别边界"，而不是"怎么外推得更好"。
面向工程实践：把"数据范围"做成系统的一等公民
这一章的实用价值在于：它教你怎么在系统里表达"我不知道"。
① 一个常见的生产事故模式
需求：给设备排维护计划，需要"预计什么时候降到 0.80"
↓
实现：用模型预测 cycle = 0 到 3000 的 SOH 曲线，找和 0.80 的交点
↓
结果：模型在 1440 圈之后开始给"先验值"（0.9091）
↓
曲线在 1440 圈后回升，永远碰不到 0.80
↓
程序算出"预计 0 圈后退役"或直接报错/死循环★ 事故的根源：程序假设"模型在任何 cycle 都可信"。
② 正确的做法：把数据范围做成"契约"
python
class ModelContract:
"""模型的使用契约：明确说明它在哪里可信。"""
def __init__(self, model, feature_ranges: dict, coverage: float | None = None):
self.model = model
self.feature_ranges = feature_ranges # {"cycle": (50, 1440)}
self.coverage = coverage # ±2σ 实测覆盖率
def predict(self, x: pd.DataFrame):
# ① 检查每个特征是否在范围内
for col, (lo, hi) in self.feature_ranges.items():
if not x[col].between(lo, hi).all():
out = x.loc[~x[col].between(lo, hi), col].tolist()
raise ValueError(
f"{col} 有值超出训练范围 [{lo}, {hi}]：{out[:5]}\n"
f"这属于外推，本模型的输出不可信。"
)
return self.model.predict(x)用法：
python
contract = ModelContract(gpr, {"cycle": (50, 1440)}, coverage=0.926)
contract.predict(pd.DataFrame({"cycle": [1200]})) # ✅ 正常
contract.predict(pd.DataFrame({"cycle": [2000]})) # ❌ 明确报错★ 为什么用"报错"而不是"返回 None"
生产系统里，"静默地返回一个不可信的值" 是最危险的
↓
抛异常能强制调用方处理（要么捕获并兜底，要么让它崩）
↓
而"数据范围"这种约束，一旦违反就【没有任何合理的默认值】
↓
所以【报错是正确的设计】③ 把契约写进模型元数据
python
import json
metadata = {
"model_name": "gpr-cycle-soh",
"trained_at": "2026-10-10",
"feature_ranges": {"cycle": [50, 1440]},
"train_rows": 800,
"metrics": {"r2": 0.830, "coverage_2sigma": 0.926},
"known_limitations": [
"超出 cycle 1440 属于外推，不要使用",
"只用了 cycle 一个特征，未考虑设备个体差异",
"数据为合成教学数据，方法可迁移但阈值需重标定",
],
}
with open("outputs/model_metadata.json", "w", encoding="utf-8") as f:
json.dump(metadata, f, ensure_ascii=False, indent=2)★ 这份元数据的作用：
① 部署时能自动校验输入范围（读 feature_ranges）
② 监控时能对比"当时的指标"（读 metrics）
③ 三个月后接手的人知道这个模型的边界在哪（读 known_limitations）★ 一条可以带走的纪律
模型的"适用边界"和模型的"预测能力"一样重要， 而且它必须被【显式地】写在系统里，不能只留在你脑子里。
第 27 章（阶段目标）产的选型报告会包含这一节 —— 报告里必须有一段"本模型的适用范围与局限"。