第四步：成果输出

模型训练好了，数据也清洗干净了，是时候把劳动成果带回家了！🎁

平台的导出能力分成四个方向：模型包、干净数据、分析报告、图表截图。下面逐个说明。

📦 出口一：下载在线模型包

位置：右侧模型列表中，当前模型下方的 下载在线模型包 按钮。

点击后，系统会把整个模型及其配套数据打包成一个文件：

文件名：model_package_<模型ID>.dimod
格式：.dimod（平台的模型包格式，用于跨机器迁移/复用）

💡 .dimod 与自定义下载的区别：.dimod 是"整包搬走"，用于在另一台装了星途平台的电脑上完整还原分析环境；下面要讲的自定义下载导出的是 Python 可直接加载的 .joblib / .pkl，用于脱离平台做二次开发。

⚠️ 授权限制

模型下载受授权控制。若遇到以下提示，说明当前授权不支持：

提示信息	原因
「未授权或授权已过期，无法下载模型」	授权失效
「当前授权不支持模型下载功能，请升级许可证」	授权未开通下载权限

授权详情可在 底部状态栏 → 关于 / 授权信息 中查看，其中有一项 下载权限：允许 / 禁止。

🎛️ 出口二：自定义下载（推荐）

位置：右侧模型列表 → 自定义下载

这是平台最灵活的一项导出能力：你想带走什么，就勾什么。

第一步：选择下载格式

格式	说明
`.joblib`	Python 生态推荐格式，对 NumPy 数组序列化效率高
`.pkl`	Python pickle 标准格式，通用性最好

第二步：勾选下载内容

界面会以 JSON 结构预览的方式，直观展示整个模型包里有哪些键、各是什么类型：

json

{
  "model":        <sklearn 模型实例>,          // 模型文件
  "x_scaler":     <StandardScaler>,            // X归一化器
  "y_scaler":     <StandardScaler>,            // Y归一化器
  "y_binarizer":  <LabelBinarizer>,            // Y分类编码器
  "train_data":   <pandas.DataFrame>,          // 训练集数据
  "test_data":    <pandas.DataFrame>,          // 测试集数据
  "full_data":    <pandas.DataFrame>,          // 完整数据集
  "model_info":   <dict>,                      // 模型元数据
  "data_config":  <dict>                       // 数据配置
}

可选项	内容	什么时候需要
`model`	训练好的核心模型实例（PCA/PLS/OPLS…）	必选，没有它无法预测
`x_scaler`	X 的标准化器	用新数据预测时必须先做同样变换
`y_scaler`	Y 的标准化器	回归模型需用它把预测值还原回原量纲
`y_binarizer`	类别编码器	仅判别模型（PLS-DA / OPLS-DA）
`train_data`	训练集 DataFrame	需要复现训练过程
`test_data`	测试集 DataFrame	需要复现验证结果
`full_data`	完整数据集	需要带着数据一起交付
`model_info`	模型参数、训练指标、最优组件数等元数据	需要追溯模型配置
`data_config`	列映射配置（哪些列是 X、哪个是 Y）	需要知道原始列对应关系

💡 智能联动：选项会随模型类型自动调整——
PCA 模型：不显示 y_scaler（没有 Y）
PLS / OPLS：显示 y_scaler，不显示 y_binarizer
PLS-DA / OPLS-DA：两者都显示
默认勾选 model、x_scaler、model_info（有 Y 时自动加上 y_scaler），这是最小可用组合。

第三步：查看使用说明

弹窗右侧内置了完整的 Python 使用说明与代码示例，无需另外查文档。

依赖安装：

bash

pip install pandas scikit-learn joblib

包结构：下载的 .joblib / .pkl 文件实际上是一个 Python dict，键取决于你的勾选。

典型工作流：

python

import joblib

# 1. 加载模型包
pkg = joblib.load("custom_model_package_xxx.joblib")

model     = pkg["model"]
x_scaler  = pkg["x_scaler"]
y_scaler  = pkg.get("y_scaler")
y_bin     = pkg.get("y_binarizer")

# 2. 数据预处理（必须与训练时一致）
X_new_scaled = x_scaler.transform(X_new)

# 3. 执行预测
y_pred = model.predict(X_new_scaled)

# 4. 结果还原
#    回归模型：用 y_scaler 还原量纲
y_real = y_scaler.inverse_transform(y_pred)
#    分类模型：用 y_binarizer 还原类别标签
labels = y_bin.inverse_transform(y_pred)

⚠️ 最容易出错的一步是第 2 步：新数据必须用同一套 x_scaler 做变换，否则预测结果完全不可信。

🧹 出口三：干净的数据与分析报告

干净的数据 (Clean Data)

经过你层层筛选、剔除异常值后的精华数据。

格式：CSV
用途：可直接用于其他分析软件，或作为下一次建模的"黄金标准"数据集
获取方式：在右侧模型列表的数据行区域，点击 Full / Tr / Te 三个小下载图标，分别导出完整数据集 / 训练集 / 测试集
文件命名：{模型名}_{full_data|train_data|test_data}.csv

💡 平台内部以 Parquet 存储数据，下载时会自动转换为 CSV（UTF-8 with BOM，Excel 打开不乱码）。
📌 注意区分：实例列表里的「下载」列导出的是你最初上传的原始 Excel 文件，不是清洗后的数据。要拿到清洗成果，请用上面模型列表里的下载按钮。

分析报告 (Analysis Report)

平台有两类报告可导出，格式各不相同：

报告类型	生成方式	支持导出格式
AI 清洗 / 对比 / 图表分析报告	AI 分析菜单	Markdown + Word
场景分析 / 组态图分析报告	场景菜单	Markdown + Excel（多工作表）

Markdown —— 适合归档、贴进知识库 / Wiki
Word —— 适合直接补进汇报材料，无需再排版
Excel —— 导出报告中的表格数据，可直接下发给车间填写

详见：AI 智能能力总览、场景分析与组态图分析

📷 出口四：图表与画布截图

方式	位置	产出
单图保存	图表右上角照相机 📷	该图表的高清大图，可直接插进 PPT
保存画布截图	画布工具栏	把当前画布上排布好的所有图表整体截图

💡 保存画布截图特别适合做汇报：先把图表拖动排布成想要的样子（可用 自动排列 一键整理），再整张截下来。

🗂️ 完整导出能力对照表

你想要	用什么出口	产出格式
在另一台平台电脑复现模型	下载在线模型包	`.dimod`
在 Python 里自己用模型	自定义下载	`.joblib` / `.pkl`
只要清洗后的数据	模型列表 → Full / Tr / Te 下载图标	`.csv`
最初上传的原始文件	实例列表 → 下载	原始格式（`.xlsx` / `.xls`）
一份能给老板看的报告	AI 分析报告	`.md` / `.docx`
一份能给车间填的表	场景分析报告	`.md` / `.xlsx`
一张能插进 PPT 的图	图表 📷 / 画布截图	图片

⚠️ 注意事项

授权限制：模型下载（.dimod 与自定义下载）都需要授权开通下载权限
.joblib 与 .pkl 二选一即可：.joblib 对含大数组的模型更高效，.pkl 兼容性更广
注意 scikit-learn 版本：用 Python 加载模型包时，scikit-learn 版本差异较大可能导致加载告警，建议与生成环境保持一致
x_scaler 别漏勾：只下载 model 而漏掉 x_scaler，会导致预测结果完全错误

🔗 相关阅读

AI 智能能力总览 —— AI 报告体系与导出
模型预测（含复制粘贴） —— 不导出文件，直接在平台内预测
模型探索与参数寻优 —— 用模型反推最优工艺参数

第四步：成果输出 ​

📦 出口一：下载在线模型包 ​

⚠️ 授权限制 ​

🎛️ 出口二：自定义下载（推荐） ​

第一步：选择下载格式 ​

第二步：勾选下载内容 ​

第三步：查看使用说明 ​

🧹 出口三：干净的数据与分析报告 ​

干净的数据 (Clean Data) ​

分析报告 (Analysis Report) ​

📷 出口四：图表与画布截图 ​

🗂️ 完整导出能力对照表 ​

⚠️ 注意事项 ​

🔗 相关阅读 ​