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、回归预测、图像分类和目标检测等常见 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准备、模型训练、模型评估、模型保存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。

任务类型

分类预测：使用结构化数据预测离散类别，例如合格与不合格、风险等级或产品类型。
回归预测：使用结构化数据预测连续数值，例如质量指标、能耗或设备参数。
图像分类：为整张图像预测所属类别，适合缺陷类型、产品类型或状态识别。
目标检测：识别图像中的目标类别和位置，适合缺陷定位、目标计数或区域检测。

开始训练前，应确认训练数据、目标字段或已有标签信息与任务类型匹配。训练完成后，结合任务适用的评价指标、图表和业务使用条件选择模型。

训练完成后，系统会在【训练结果】中展示候选模型和评价结果。可切换评价指标并点击【查看详情】查看模型报告；不同数据集、数据划分或目标变量的结果不宜直接横向比较。确认模型效果符合预期后，再保存或部署模型用于预测。

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。

创建图像分类任务

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。

配置图像分类训练参数

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。

查看图像分类训练结果

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。

查看图像分类模型详情

完整的图像分类训练、评估和预测操作，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。

创建目标检测任务

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。

配置目标检测数据源

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。

查看目标检测训练结果

完整的目标检测训练、评估和预测操作，可在目标检测任务教程中查看。

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。

分类预测任务概览

创建分类预测任务时，可以选择自动机器学习或专家模式：

自动机器学习：适合希望由系统自动完成候选模型训练和结果比较的场景。可根据建模需求选择快速、可解释或高性能模式。
专家模式：适合需要自行选择算法、调整训练参数或控制建模过程的场景。

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。

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。

配置分类预测目标变量

配置分类预测特征处理

选择分类预测算法并配置参数

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。

查看分类预测训练结果

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。

查看分类预测模型详情

完整的分类预测训练、评估和预测操作，可在分类预测任务教程中查看。

回归预测

回归预测任务用于根据历史结构化数据中的多个特征变量，预测连续型数值结果。它适用于产线参数预测、设备状态趋势分析、质量指标预测、能耗预测和智能预警等场景。

用户在流程界面中选择结构化训练数据集后，可通过右侧「机器学习」分类中的【回归预测】算子创建任务。创建时选择需要预测的数值型目标列，并按业务需求选择自动机器学习模式：快速模式适合快速验证，可解释模式适合关注模型决策逻辑的场景，高性能模式适合对模型效果要求更高且可接受较长训练时间的场景。

创建回归预测任务

进入训练配置页面后，可配置目标变量、训练集与测试集划分、评价指标和训练模式；也可在特征工程中处理或精简特征，并在建模配置中选择参与训练的算法和超参优化方式。平台支持决策树、弹性网络、支持向量机、XGBoost、随机森林、极端随机树、直方图梯度提升和多层感知机等回归算法。

配置回归预测训练参数

训练完成后，系统会展示最佳模型、核心评价指标、算法参数、特征重要性、训练与测试集数据量及训练耗时。可结合 R²、MAE、MAPE、MSE 和 RMSE 等指标，评估模型的拟合效果和预测误差。

查看回归预测训练结果

点击训练结果中的【查看详情】可进入模型报告，查看特征重要性、实际值与预测值的散点图、误差诊断、评价指标和算法信息，用于进一步分析模型效果。

查看回归预测模型报告

完整的数据导入、训练、评估和预测操作，可在回归预测任务教程中查看。

部署模型和预测

机器学习任务训练完成后，都可以在训练结果中打开候选模型的详情页。确认评价指标和模型报告符合使用要求后，点击【部署】并填写模型名称，完成模型部署。

部署完成后，模型会显示在流程画布中。选中模型节点，在右侧选择【预测】算子；在预测配置中关联待预测数据和输出数据集，确认后运行任务即可生成预测结果。

模型部署成功

执行预测前，应确认待预测数据与训练数据使用相同的特征字段或图像数据格式。预测完成后，可打开输出数据集查看结果，并根据业务需要继续处理或使用预测数据。