ML Model Evaluation Panel

这是一个基于 Streamlit 构建的机器学习模型评估面板应用。它允许用户上传自定义数据集 (CSV 或 Excel)，并自动训练 Random Forest 和 XGBoost 回归模型，提供数据前置分析（共线性 VIF 与相关性矩阵）和模型评估结果。

• 数据支持: 动态上传 CSV 或 XLSX 数据集。
• 前置分析:
  • 特征多重共线性分析 (VIF)
  • 特征相关性矩阵及热力图 (Correlation Matrix)
• 模型训练:
  • 支持选择 Random Forest 和/或 XGBoost。
  • 支持动态调整测试集划分比例。
  • 支持调节模型关键超参数 (如 n_estimators, max_depth, learning_rate)。
• 结果可视化:
  • 计算 R², MSE, RMSE, MAE 等回归评估指标。
  • 自动生成特征重要性排序图表和表格。
• 缓存管理: 提供手动清除、中断清除和定时 5 分钟自动销毁缓存机制。

1. 克隆代码到本地。
2. 安��依赖:

   pip install -r requirements.txt

3. 启动 Streamlit 服务:

   streamlit run app.py

4. 浏览器会自动打开 http://localhost:8501。

此项目已完美配置为可直接部署到 Streamlit Community Cloud。部署步骤如下：

1. 上传至 GitHub: 将本文件夹内的所有代码 (包括 app.py, model_training.py, requirements.txt 等) 提交到你的一个公开或私有 GitHub 仓库中。

2. 登录 Streamlit Cloud: 前往 share.streamlit.io 并使用你的 GitHub 账号登录。

3. 创建新应用 (New app):

   • 点击右上角的 "New app" 按钮。
   • Repository: 选择你刚刚上传代码的 GitHub 仓库。
   • Branch: 默认一般是 main 或 master。
   • Main file path: 填写 app.py。
   • App URL: (可选) 自定义你的专属二级域名。

4. 点击 Deploy! Streamlit 服务器会自动读取仓库中的 requirements.txt 来安装所有必要的环境（包括 xgboost, scikit-learn 等），安装完成后，你的应用即可在云端公开访问！

注意事项: 应用在运行时会生成一些临时图表文件 (如 correlation_matrix.png, random_forest_feature_importance.png 等)。部署在 Streamlit Cloud 时，当前工作目录具有写权限，因此图表可以正常保存和渲染。若部署至 Docker 或其他云环境，请确保应用对运行目录具备写入权限。