一、课程导论：什么是滚动预测？为什么需要模型再训练？
大家好，我是这门课的主讲人。今天咱们聊聊一个很实际的问题——滚动预测与模型再训练。
说实话，我刚开始做机器学习项目时，也踩过不少坑。模型训练完，上线跑得挺好，过了一个月，预测结果就开始飘了。嗯，这就是典型的「模型老化」问题。
那滚动预测是啥？说白了，就是用最新的数据，不断更新你的预测。比如你预测明天的股票价格，今天收盘后有了新数据，你就把新数据加进去，重新算一遍预测结果。这样预测永远基于最新信息。
模型再训练呢？就是定期用新数据重新训练你的模型。我见过不少团队，模型上线后就不管了，结果三个月后准确率掉到30%以下。你想想看，这多可怕。
1.1 为什么需要滚动预测？
我举个例子。假设你在做电商销量预测。双十一快到了，你用的是三个月前训练的模型。结果呢？促销活动、用户行为、竞品策略全都变了。模型还停留在旧世界里。
滚动预测的好处很明显：
- 实时性：预测永远基于最新数据
- 适应性：能快速捕捉市场变化
- 稳定性：避免模型突然失效
我在一个金融风控项目里遇到过类似情况。客户要求每天更新信用评分模型。一开始我们每周训练一次，结果发现周一到周三的预测偏差特别大。后来改成每天滚动预测，问题就解决了。
1.2 模型再训练的核心价值
模型再训练，说白了就是让模型跟上时代。数据分布会变，业务场景会变，用户行为也会变。你不更新模型，模型就会「过时」。
我总结过三个必须再训练的场景：
- 概念漂移：比如疫情期间，用户购物习惯完全变了
- 数据分布变化：比如新用户群体加入，老用户流失
- 业务规则调整：比如风控策略改了，模型得跟着调
核心观点：模型再训练不是锦上添花，而是生存必需。不做再训练的模型，就像不换机油的车——迟早要抛锚。
1.3 课程目标与学习路径
这门课的目标很明确：让你掌握滚动预测和模型再训练的实战技能。不是讲理论，而是讲怎么落地。
我会带你走完这条路：
| 阶段 | 内容 | 产出 |
|---|---|---|
| 基础篇 | 滚动预测原理、数据准备 | 能搭建基础滚动预测流程 |
| 进阶篇 | 模型再训练策略、自动化 | 能设计自动再训练流水线 |
| 实战篇 | 金融、电商、IoT案例 | 能独立解决实际业务问题 |
我个人习惯是：先跑通一个最小可行方案，再逐步优化。别一上来就想搞个大而全的系统，容易把自己绕进去。
小技巧：刚开始做滚动预测时，建议先用简单模型（比如线性回归）跑通流程。等流程稳定了，再换复杂模型。我吃过这个亏——第一次用LSTM做滚动预测，结果数据预处理就搞了两周。
1.4 知识体系总览
下面这张图，是我自己梳理的滚动预测与模型再训练的知识体系。你看一眼，心里就有数了。
注意：别被这张图吓到。我们不会一上来就搞全部。我会带着你，从最简单的滚动预测开始，一步步搭建完整的再训练体系。我曾经带过一个实习生，两周就上手了滚动预测的基本流程。
1.5 你需要准备什么？
嗯，这里说一下前提条件：
- 熟悉Python基础（pandas、numpy）
- 了解基本的机器学习概念（训练集、测试集、过拟合）
- 最好有简单的模型训练经验
如果你还不太熟，也别慌。我会在每章开头补充必要的背景知识。说白了，这门课就是从实战出发，缺啥补啥。
一句话总结：滚动预测让你的预测「活」起来，模型再训练让你的模型「长」起来。两者结合，才能应对真实世界的千变万化。
好，导论就到这里。下一章我们直接动手——搭建第一个滚动预测流程。我会用真实数据，带你一步步走通。