机器学习
DTEmpower 提供可视化机器学习建模能力，支持结构化数据与图像数据的智能建模任务，覆盖分类预测、图像分类、目标检测等常见 AI 场景。用户无需编写复杂代码，即可通过可视化界面完成数据关联、模型训练、模型评估、模型部署与预测推理等完整建模流程。
平台采用统一的机器学习任务流程设计，不同任务类型均遵循 “数据准备 → 模型配置 → 模型训练 → 模型评估 → 模型部署 → 模型预测” 的标准流程，帮助用户快速完成模型构建与业务落地。
图像分类
图像分类任务用于识别图像所属的类别，即通过模型自动判断输入图像属于哪一种分类。在工业视觉、缺陷检测、产品识别、状态识别等场景中，可用于零件缺陷分类、产品类别识别、设备状态识别等任务。
用户在流程界面中选择图像数据后，可通过右侧「机器学习」分类中的【图像分类】算子快速创建图像分类训练任务。
图像分类任务配置从数据源、训练集/测试集、配置参数、评价指标和数据增强多个方式灵活调整配置。
平台支持配置训练轮数、批量大小、优化器、学习率调度器、预训练模型等训练参数，并支持 Accuracy、Precision、Recall、F1 Score、ROC-AUC 等多维度分类评价指标。
训练启动后，系统自动进入训练结果页面，实时展示训练进度、Loss 曲线与模型评估结果，支持查看预测结果数据。
在模型详情页面，可查看完整的训练信息，包括模型 ID、模型类型、目标变量、分类类别、训练开始时间、训练集行数、训练 / 验证集划分比例、预训练模型、微调层数、优化器、学习率调度器、初始学习率、最终学习率等全部训练参数等核心评估指标。
确认模型效果符合预期后，可在该页面完成模型部署。部署完成后，模型将自动加入流程画布，支持后续图像分类预测任务与模型复用。
具体图像分类任务操作流程，可在图像分类任务教程中查看。
目标检测
目标检测任务不仅能够识别图像中的目标类别，还能够精准定位目标所在区域，通过边界框输出目标位置与类别信息。在工业检测、安全监控、视觉识别等场景中，可用于缺陷定位、目标识别、物体检测等任务。
用户在流程界面中选择目标检测数据集后，可通过右侧「机器学习」分类中的【目标检测】算子快速创建目标检测训练任务。
目标检测任务配置从数据源、训练集/测试集、配置参数、评价指标和数据增强多个方式灵活调整配置。
平台支持配置训练轮数、批量大小、优化器、学习率调度器、预训练模型等训练参数，并支持 mAP、Precision、Recall、F1 Score、IoU 等多维度目标检测评价指标。
训练启动后，系统自动进入训练结果页面，实时展示训练进度、Loss 曲线与模型评估结果，支持查看目标检测结果与评估数据。
在模型详情页面，可查看完整的训练信息，包括模型 ID、模型类型、目标变量、分类类别、训练开始时间、训练集行数、训练 / 验证集划分比例、预训练模型、微调层数、优化器、学习率调度器、初始学习率、最终学习率等全部训练参数等核心评估指标。
确认模型效果符合预期后，可在该页面完成模型部署。部署完成后，模型将自动加入流程画布，支持后续目标检测任务与模型复用。
具体目标检测任务操作流程，可跳转至目标检测任务教程进行查看。
分类预测
分类预测任务主要用于对结构化表格数据进行智能建模与分类分析 。在化工配方优化、工业质量控制、物性测试等场景中,可用于判断产品耐折性、合格判定或多分类级别预测等任务 。
在流程画布界面中,选中数据集节点,在右侧「机器学习」分类下点击【分类预测】算子,即可创建分类预测任务 。
核心配置主要包含以下几部分：
目标变量：指定分类目标列。同步展示样本特征分布与各类别占比，用于快速校验数据完整性与类别分布合理性 。
训练/测试集配置：测试集拆分支持自定义分割方法、训练集占比与随机种子（如 42），通过固定拆分结果以保证实验可复现。
评价指标：可按需配置评估指标和阈值优化目标。
特征处理：特征处理面板会自动解析并呈现全量特征字段。用户在此勾选需要参与建模的特征属性，并支持直接查看特征分布信息 。
算法选择与超参优化：算法面板支持多算法并行建模 。用户可勾选 逻辑回归 (Logistic Regression) 或 决策树 (Decision Tree) 等经典算法 ，并能针对选中算法的超参数进行精细微调优化 。
配置完成后点击【训练】按钮即可启动建模任务 。训练启动后，系统自动进入训练结果页面，完成后展示各算法的评估结果。
点击对应模型的【查看详情】即可进入到具体的模型详情页面，包括总结、特征重要性排序、ROC曲线、混淆矩阵和具体的算法参数信息。
确认模型效果符合预期后，可在该页面完成模型部署。部署完成后，模型将自动加入流程画布，支持后续预测任务与模型复用。
分类预测任务的场景化教程待补充；当前可参考本页完成数据配置、模型训练、结果查看与模型部署。