AI模型

知识点

1.字段功能分类

• 专病字段选择：构建列的数据来源
• 目标值：选定为“预测目标”的字段是模型要学习的最终输出。

2.模型类型

类型	核心定义	典型场景
数值预测	预测目标为“连续型数值”，模型输出是具体的数值结果，而非固定类别	生理指标预测、恢复周期估算、风险评分计算
二分类	预测目标仅有“两个互斥结果”，模型输出两个结果的概率（如“是/否”“正/负”）	疾病诊断（有无）、风险判定（是否发生）、结果预测（成功/失败）
多分类	预测目标有“三个及以上互斥结果”，模型输出每个结果的概率，最终取概率最高值	疾病分型、病灶分级、诊断结果归类

3.训练方法及其算法

GLM、RuleFit 侧重模型可解释性，能清晰量化医疗特征与预测目标的关联（如血糖、血压相关线性关系）
DRF、GBM、XGBoost、LightGBM 等树基集成算法兼顾预测精度与算力效率，适配大规模数据的处理
DeepLearning 擅长挖掘影像、心电等非结构化医疗数据的深层非线性特征

操作步骤

新建模型

操作步骤：填写基本信息 --> 专病字段选择 --> 选择要预测的目标 --> 新建成功

构建（核心）

目标值选择完成后，进入训练方法及算法配置阶段：支持从GLM、DRF、DeepLearning等全谱系算法中灵活选型，选定后可执行开始训练操作，同时提供删除模型及重新训练功能，满足模型迭代优化需求；此外，系统支持自定义训练参数配置，包括设置模型进化周期、最大训练模型数量、训练时间阈值，以及训练集与验证集的分割比例，全方位适配医疗场景下不同预测任务（数值预测、二分类、多分类）的建模需求，确保模型训练过程的可控性与灵活性。

数据集

配置相关构建列的设置条件

分析

查看与对比分析，助力用户高效评估模型效果

版本记录

用于存放各个版本更迭的模型训练记录，支持训练集、验证集下载

网络结构

核心逻辑：由于网络结构配置时支持“多组参数批量配置”，模型训练完成后会生成多个“同目标、不同结构参数”的模型，需通过量化指标与业务需求筛选出“最佳模型”（即最佳网络结构组合），作为后续部署或迭代的基准。