尚無實驗數據
請先上傳數據集並完成模型訓練，儀表板將顯示即時數據
模型效能趨勢
任務類型分佈
最近實驗
查看全部客戶流失預測 v3
分類 | XGBoost | F1: 0.942
銷售額預測 Q2
回歸 | LightGBM | 訓練中...
產品推薦引擎
分類 | Ensemble | AUC: 0.978
庫存需求預測
回歸 | XGBoost | 數據品質不足
系統通知
模型部署成功
「客戶流失預測 v3」已成功部署至生產環境
數據品質警告
「銷售數據 2024」有 12% 缺失值，建議檢查
超參數優化完成
共嘗試 200 組組合，最佳組合已儲存
已載入的數據集
拖拽 CSV 檔案至此或點擊上傳
支援 CSV / TSV 格式，系統將自動分析數據結構
—
—
數據健康度評分
良好欄位概覽
| 欄位名稱 | 類型 | 分佈 | 缺失 | 異常值 | 唯一值 |
|---|
數據預覽
前 100 筆相關性矩陣 (Pearson)
自動化處理記錄
點擊項目可查看詳情與調整處理方式處理詳情
欄位: —
處理方法
選擇不同方法查看前後對比
處理前
—處理後
—統計指標對比
| 指標 | 處理前 | 處理後 | 變化 |
|---|
受影響的資料列 (前 20 筆)
—上傳 CSV 檔案以開始分析數據
尚未上傳數據集
請先前往數據集管理頁面上傳 CSV 檔案
建立新實驗
偵測結果: —
訓練進度
準備中...訓練結果
完成| 排名 | 演算法 | — | — | — | 訓練時間 |
|---|
特徵重要性 (最佳模型)
預測 vs 實際
建立新實驗
訓練進度
超參數優化歷程
即時訓練日誌
[10:30:01] 開始數據清洗...
[10:30:13] 數據清洗完成，處理 12,450 筆記錄
[10:30:13] 開始特徵工程...
[10:30:25] 產生 15 個新特徵（交互、多項式、時間）
[10:30:41] 特徵工程完成，最終特徵數: 42
[10:30:42] 開始超參數優化...
[10:31:15] XGBoost Trial #47: F1=0.921, lr=0.05, depth=6
[10:31:38] LightGBM Trial #52: F1=0.935, lr=0.03, leaves=31
[10:32:01] 新最佳! LightGBM Trial #58: F1=0.942, lr=0.025
[10:32:24] XGBoost Trial #63: F1=0.938, lr=0.02, depth=8
[10:32:45] 正在嘗試 Trial #71...
尚無模型排名
完成模型訓練後，排行榜將自動產生
模型排行榜
| 排名 | 演算法 ↕ | F1-Score ↕ | AUC-ROC ↕ | 準確率 ↕ | 訓練時間 ↕ | 推論延遲 ↕ | 標籤 | 操作 |
|---|
模型比較
指標雷達圖
混淆矩陣比較
ROC 曲線比較
尚無模型洞察
訓練完成後，系統將自動產生特徵重要性、SHAP 分析等洞察
最佳模型
--
最佳分數
--
使用特徵數量
--
已訓練模型
--
特徵重要性 (Feature Importance)
模型分數比較
預測 vs 實際
殘差分佈
What-If 模擬器 互動式
調整特徵值，即時觀察預測結果變化
預測結果
—
目標變數
使用模型
—
全域特徵重要性
SHAP 瀑布圖
SHAP 蜂群圖 (Beeswarm Plot)
每一點代表一筆資料，顏色表示特徵值高低What-If 模擬器 互動式
中風險
此客戶有 42% 的流失機率
建議行動
建議提供個人化優惠或升級方案以降低流失風險
尚無部署
選擇最佳模型後，可在此部署為 API 服務
客戶流失預測 v3
生產 LightGBM端點: /api/v1/predict/churn
F1: 0.942
部署於 2024-03-15
產品推薦引擎
生產 Ensemble端點: /api/v1/predict/recommend
AUC: 0.978
部署於 2024-03-10
信用評分模型
生產 XGBoost端點: /api/v1/predict/credit
AUC: 0.961
部署於 2024-02-28
銷售額預測 Q2
測試 LightGBM端點: /api/v1/staging/sales
RMSE: 1,247
部署於 2024-03-18
異常偵測模型
測試 Isolation Forest端點: /api/v1/staging/anomaly
Precision: 0.89
部署於 2024-03-20
API 呼叫量趨勢
系統設定
一般設定
預設任務超時時間
超過此時間的訓練將自動停止
自動特徵工程
自動產生交互特徵與多項式特徵
超參數優化試驗次數
增加次數可提升效能但耗時更長
Email 通知
訓練完成或失敗時發送通知
模型設定
啟用的演算法
選擇要包含在自動搜尋中的模型
交叉驗證折數
K-Fold Cross Validation