核心能力
高级建模与 ML模块为你提供的能力
经典线性建模
最小二乘、逐步、最佳子集、广义回归、广义线性模型——经典统计建模方法体系完整。
- 最小二乘 / 逐步 / 最佳子集：变量选择三大利器
- 广义回归（GLM）：处理非正态响应
- 混合模型：含随机效应的层次数据建模
- 残差诊断 + 异方差检测：模型合规性检查
8 种 ML 算法
XGBoost、LightGBM、随机森林、SVM、神经网络、KNN、朴素贝叶斯、决策树，全部内置。
- 决策树可视化：分叉规则与样本分布直观呈现
- 特征重要性排序：关键变量一目了然
- 自动调优：无需手动设置超参数
- 工程师友好：无需编程即可使用
模型筛选与比较
自动划分训练 / 验证集，多维度性能指标横向对比，星标高亮各维度最优模型。
- 自动划分训练 / 验证集，防止过拟合
- 多指标对比：AUC、准确度、召回率、F1、Kappa
- ROC 曲线并排对比，分类能力一目了然
- 星标高亮各维度最优，选择有据可依
时间序列与函数型数据
时间序列分解、基本系列诊断、函数型数据分析，处理有时间维度的工业数据。
- 时间序列分解：趋势 / 季节性 / 残差
- 基本系列诊断：ACF / PACF / 平稳性检验
- 函数型数据分析：处理高频曲线数据
- 趋势预测 + 异常检测一体化
界面预览
真实功能截图
决策树全程可视化，工程师秒懂 ML 结果
ROC 曲线对比，直观评估分类模型性能
跨算法性能对比，数据驱动选出最优模型
典型应用场景
这些工程师正在用 高级建模与 ML
半导体良率工程师
XGBoost 建模识别影响良率的关键工艺参数
制药数据分析师
逻辑回归预测批次放行风险，提前介入异常批
工艺资深工艺工程师
时间序列分解定位生产趋势中的季节性因素
方法清单
19 种分析方法
本模块提供的完整方法列表。每个方法都有对应的中文界面、参数说明与结果解读。
最小二乘回归逐步回归最佳子集回归广义回归广义线性模型逻辑回归（高级）混合模型模型筛选K近邻决策树随机森林支持向量机神经网络朴素贝叶斯XGBoostLightGBM时间序列分解基本系列诊断函数型数据分析
适用人群
谁会从中受益
高级建模与 ML模块为以下角色的日常工作提供直接价值。
数据科学家
高级工艺工程师
研发负责人
AI 落地负责人