文件上传
支持 .csv, .xlsx, .json 格式。数据将完全在本地浏览器处理。
建议文件大小 < 50MB
数据概览
暂无数据显示部分数据
可视化分析 (EDA)
机器学习
当前演示：简单神经网络模型 (预测数值)
模型配置
按住 Ctrl/Cmd 可多选
训练参数
网络结构
早停策略
训练监控 (Loss)
模型评估与预测
训练尚未开始...
高级可视化分析
基于训练完成的模型，提供深入的数据洞察和模型解释
特征相关性矩阵
显示数值型特征之间的Pearson相关系数，帮助理解特征间的关系。 系统将自动检测数据中的数值型列。
点击上方按钮生成相关性矩阵
需要至少两个数值型列
解读指南
强正相关 (0.7~1.0)
中等正相关 (0.3~0.7)
弱相关 (0.0~0.3)
强负相关 (-1.0~-0.7)
实用建议
- 对角线显示特征与自身的关系（始终为1）
- 高度相关的特征（|r| > 0.8）可能存在冗余
- 特征与目标变量强相关通常表示预测能力好
- 检查负相关关系，可能揭示有趣的模式
预测值 vs 实际值
比较模型预测值与实际值的匹配程度，理想情况下点应落在对角线上
需要先完成模型训练
理想线： y = x (预测值 = 实际值)
R² 分数：
-
完美预测： 所有点落在对角线上
平均误差：
-
残差分析
检查模型的误差分布，理想情况下残差应随机分布在零线周围
残差 = 实际值 - 预测值
残差统计
均值
-
标准差
-
正态性检验
-
理想情况：
- 残差均值为0
- 残差呈正态分布
- 无明显的模式或趋势
特征重要性分析
基于模型权重计算的特征重要性，帮助理解哪些特征对预测贡献最大
基于训练后的神经网络权重
重要性解读
重要性分数表示特征对模型预测的相对贡献：
- 高重要性：特征对预测结果影响大
- 低重要性：可考虑从模型中移除
- 负重要性：与目标变量负相关
特征建议
点击"计算特征重要性"获取建议