机器学习预测模型
在机器学习桌面端完成数据检查、候选模型比较、诊断解释和分析成果导出，把复杂建模整理成清晰、可复现的科研流程。
状态：桌面端 · 可下载Windows x64
内容更新于 2026-09-29
使用前准备
- 一台 Windows 10/11 64 位电脑；开通机器学习或全模块权益后可下载安装包。
- 准备结构化研究数据，并明确预测目标、候选特征、训练样本和评价指标。
- 导入前删除姓名、证件号、联系方式等直接身份信息，并确认数据可用于当前研究。
- 建议先保留一份未经修改的原始数据和变量说明，便于复核分析过程。
第 1 步：下载并登录桌面端
打开机器学习页面，登录并开通机器学习或全模块权益后下载 Windows 安装包（带数字签名）。
安装后使用与官网相同的 Sciforyou 账号登录，在界面中发起训练任务并查看进度。
第 2 步：选择分析方向和方法家族
先根据研究问题浏览方法家族，再确定是做风险预测、分类、回归或其他建模任务。
不要只按模型名称选择方法；还要考虑结局类型、样本量、变量数量、缺失情况和解释需求。
第 3 步：创建项目并准备数据
在桌面端按新建或导入入口创建项目，并导入软件支持的结构化数据文件。
完成数据检查后，确认结局变量、候选预测变量、变量类型、缺失值处理和数据划分；具体字段与文件格式以软件内提示为准。
第 4 步：训练并公平比较候选模型
在同一份数据和评价标准下选择多个候选模型进行比较，避免因为数据划分不同而产生误导。
同时查看性能、稳定性、校准和过拟合风险，再确定用于解释与报告的模型。
放大查看： 
示例数据多模型对比：ROC 曲线、精确率—召回率曲线、校准曲线与测试集 AUC（95% CI） 第 5 步：查看解释并导出分析成果
从诊断和可解释性区域核对重要特征、模型行为和异常结果，并结合专业知识判断结果是否合理。
保存实验配置、数据摘要、评价结果和图表，再按软件提供的格式导出用于论文或报告的分析成果。
放大查看： 
示例数据SHAP 摘要图
完成后你会得到
- 可复现的机器学习分析项目
- 候选模型比较和诊断解释结果
- 用于论文或报告的图表与分析成果
注意事项
- 分享截图前，先隐藏账号信息和数据文件名等可识别内容。
- 模型性能不能替代外部验证和专业判断，导出前应复核数据泄漏、偏倚和过拟合风险。