第二步：建模分析
配置已完成，现在是见证奇迹的时刻——建模！
🤖 平台怎么选算法
平台会根据你的数据配置自动推荐算法，你也可以在数据配置中手动指定：
| 你的配置 | 自动选择 | 说明 |
|---|---|---|
| 只有 X 列 | PCA | 探索模式：看看数据长什么样、有没有聚类 |
| 有 X 和 Y，Y 是连续数值 | PLS | 预测模式：建立 X 和 Y 之间的回归关系 |
| 有 X 和 Y，Y 是类别标签 | PLS-DA | 判别模式：判断样本属于哪一类 |
手动可选的全部五种模型：
PCA · PLS · PLS-DA · OPLS · OPLS-DA
💡 什么时候考虑 OPLS / OPLS-DA？ 当数据存在明显的系统性噪声（基线漂移、环境漂移、批次系统偏差）， 或者你希望得分图更"干净"、更容易向他人解释时。它们会先剥离与 Y 无关的正交变异，再建模。
⚠️ 注意：OPLS 家族的"组件数"指的是被剥离的正交成分数，不是潜变量数（预测成分固定为 1 个）。 详见 核心模型算法详解。
⚡ 点击 Fit，开始训练
点击 Fit（重新拟合）按钮，平台会通过交叉验证自动寻找最佳组件数。
训练过程中会显示进度，完成后模型进入"已拟合"状态。
💡 自动搜索的行为可以调整：交叉验证折数、最大组件数上限、早停容忍度等七个参数，都在 设置 → 模型训练设置 里配置。详见 模型训练设置。
🎛️ 调参数就像调音量
模型好不好，参数很重要。最关键的参数是 组件数 (Components)，也叫"潜变量"。
- C+1 / C-1 按钮：
- 点击 C+1，增加一个组件，模型变得更复杂，拟合更好，但可能过拟合。
- 点击 C-1，减少一个组件，模型更简单，泛化能力更强。
⚠️ 各模型的"组件数"含义并不相同：
模型 C+1 增加的是 PCA 主成分个数 PLS / PLS-DA 潜变量（Latent Variable）个数 OPLS / OPLS-DA 正交成分（被剥离的噪声层）个数
📊 看懂体检报告
每次模型更新（如删除异常数据、调整组件数 C+1/C-1）后，系统会自动重新计算。你只需要点击展开模型详情，就能看到最新的"体检 报告"：
回归类模型（PLS / OPLS）：
- R2X (自变量解释率)：模型解释了多少 X 数据（特征）的信息。
- R2Y (因变量解释率)：模型解释了多少 Y 数据（结果）的信息。越高越好，比如 0.9 就很棒！
- Q2Y (预测能力)：最关键指标！代表模型对未知数据的预测准不准。如果 R2Y 很高但 Q2Y 很低，那是"死记硬背"（过拟合）， 得减组件。
- RMSE (误差)：越低越好，代表预测值和真实值的平均差距。
分类类模型（PLS-DA / OPLS-DA）：
- Accuracy（准确率）：预测正确的比例。
- F1 Score：精确率与召回率的调和平均，类别不平衡时比准确率更可靠。
- AUC：ROC 曲线下面积，衡量模型的整体区分能力（0.5 为随机，1.0 为完美）。
💡 各指标的通俗解释与常见误区，详见 关键术语解答。
🎯 建完模先别急着下结论
模型跑出来只是起点。接下来通常会做两件事：
当然，也可以直接让 AI 帮你诊断：