例如Wasserstein DRO ⇔ “分位 + Lipschitz 惩罚，库存中若成本对需求是 Lipschitz，使用 Wasserstein 球，则最坏分布会把概率质量推向缺货最严重区域，行为上非常像极端尾部 CVaR，但风险水平由 半径 \varepsilon控制而不是 \alpha；Value at Risk (VaR) 在金融监管中被广泛采用，其数学本质是损失分布在给定置信水平下的分

白话解释：看你怎么构造ambiguity,这里采用改变概率权重，还可以用KL / φ改概率，但受散度约束，用Wasserstein让样本可以“搬家”等等。找一个模型，使得即便未来把训练样本“按最坏方式重新加权”（每个样本权重最多），加权平均平方误差也尽可能小。白话解释：鲁棒优化不是在和某条固定的坏样本较劲，而是在找一个参数 w，让这个坏样本，坏得不至于太离谱。此笔记用于分布式鲁棒优化入门。后续理论

当用简单的神经网络预测时间序列时，将时间信息作为x，我们可以快速地构建一个监督学习模型，输入对应的x，就会得到对应的y。当我们想用高级一点的深度学习模型来预测时间序列时，划分时间窗是必要的（例如用前5天的数据来预测第6天，这算是一个超参数，可以通过参数调优来确定最佳的时间窗大小）

让我们从最开始的M-P模型开始来回溯神经网络的发展历程，回溯是为了体会思想的发展历程以期望从中找到规律。

决策不同于优化和规划，决策是针对评价模型而言的，说决策其实就是多属性决策（Multiple-criteria decision making, MCDM），一回事，要是只有一条多属性数据或多条单属性，太简单了，有啥好评价的？首先，来思考这样一个问题：决策、优化、和规划之间有什么区别？而优化和规划其实是一回事，两个概念可以互换。下面是一张优化的思维导图，来认识优化大家族！以上思维导图列举不完全，仅供

将DT模型中的DecisionTreeRegressor替换为CascadeForestRegressor即可，记得先pip install deepforest。将DT模型中的DecisionTreeRegressor替换为CatBoostRegressor即可，记得先pip install catboost。将DT模型中的DecisionTreeRegressor替换为LGBMRegresso