共形预测（Conformal Prediction）是一层套在任意模型外面的“包装”：它把模型吐出的单个答案，换成一组候选答案，并保证这组答案在长期运行中有事先约定的比例能覆盖真值——比如约定 90%，就对应 90% 的样本，真值会落在它给出的集合里。
它怎么做到的
核心概念叫“非一致性分数”（nonconformity score）：给一个样本和一个候选答案，算一个“这个答案有多不像话”的分数。分类任务里可以是真实类别的预测概率有多低；回归任务里可以直接用预测值与真实值的绝对差。
流程只有三步：
1. 留出校准集：从数据里切一批模型没见过的样本，跑一遍，为每个样本算出它的非一致性分数。
2. 定分数线：把这些分数排序，取对应分位数（再做一点有限样本修正），得到一条阈值。
3. 出预测集合：来了新样本，把所有“分数低于这条线”的候选答案全部收进集合，一起交出去。
打个比方：一个实习生给你报成交价。你先让他估价 100 单，记录每单他报的数跟实际值差多少，把差值从小到大排好，取第 90 个差值。之后他再报价，你就给出“他报的数 ± 这个差值”的区间。只要新单子和之前那些单子地位平等，这个区间大致就有 90% 的概率套住真实成交价。
这正是它最反直觉也最有用的地方：它不要求你知道数据分布，也不要求模型是哪种类型，只要求样本之间“可交换”（exchangeability）——粗略说就是顺序无关、没有系统性漂移。
和相邻概念的区别
很多人会把它跟模型自带的概率输出搞混。softmax 给出的 0.95 既不代表“95% 会答对”，也不随模型更换自动调整，它只是一个相对得分。贝叶斯方法能给出后验区间，但要你先写好先验和似然。经典统计的置信区间有覆盖保证，但通常依赖分布假设。
| 对比项 | 共形预测 | 模型自带概率 | 经典置信区间 |
|---|---|---|---|
| 输出形态 | 带覆盖保证的预测集合/区间 | 一个分数，通常未校准 | 参数化区间 |
| 前提假设 | 基本只要求可交换性 | 无，但不可靠 | 常要求分布形式 |
| 有限样本保证 | 有 | 无 | 依赖假设 |
| 能否套在任意模型上 | 可以，模型无关 | — | — |
对实际工作的意义
在医疗、金融风控、工业质检这类“错一次代价很高”的场景，可以把模型输出从“一个答案”改成“候选集合”，交给下游人工或规则系统处理。覆盖率还是一个可调的旋钮：要 99% 就把集合放宽，要省事就调低。对做产品的人而言，这等于可以拿覆盖率当 SLA 来谈，而不是含糊地盯准确率。
两点提醒：它保的是平均意义下的边际覆盖，不对每个子群体单独承诺，难样本上集合可能大到把全部标签都塞进去——覆盖率保住了，信息量也没了；另外模型越差集合越大，共形预测不提升模型，只是给模型的诚实度上一把锁。各类开源库都有现成实现，具体接口和参数以官方文档为准。