Model
模型信息
请选择亚型。
Algorithm flowchart
用血糖时序数据，预测代谢亚型
这项研究追问：同样的血糖升高，背后的生理故障是否来自不同环节？作者用 32 人深度代谢测量训练，24 人独立验证，29 人家庭 CGM 测试，构建了四个独立的二分类模型——Muscle IR、β-cell dysfunction、Impaired incretin、Hepatic IR。每个亚型各自保留最优的特征集和分类器，而不是选一条全局唯一路线。结果表明：OGTT 血糖曲线的形状携带了足够的机制信息，ReducedRep/PCA 适合 Muscle IR 和 β-cell，Curve Features 适合 Incretin，而 Hepatic IR 的最优模型依赖 Matsuda 指数。
Live prediction
模型预测工作台
选择代谢亚型，输入血糖数据，实时预测风险概率。
Prediction
交互预测
输入数据后预测。
自定义
输入数据后点击预测。
Feature importance
特征贡献
预测后显示。
Custom training
自定义模型训练
上传训练数据，为每个亚型选择分类器和正则化系数，系统自动比较原始时间点与 PCA 两种预处理，选择更优方案。
Config
训练配置
分类器正则化系数 C
Muscle IR
Beta-cell
Incretin
Hepatic IR
系统自动对每个亚型尝试原始时间点和 PCA 降维两种预处理，选择准确率更高的方案。注意：自定义训练统一使用所有可用数值列作为候选特征，与默认模型的逐任务特征选择策略不同，因此特征数和模型参数可能与默认模型有差异。
Training data
点击选择 CSV 文件，或拖拽到此处
没有数据？
Results
训练结果
训练后显示 4 个亚型的结果。
下载后可在下方加载，用于自定义预测。
Load model
加载已有模型
上传之前训练保存的 JSON 模型文件，加载后可切换到自定义模型进行预测。
点击选择 .json 模型文件