Skip to content

README.md

Latest commit

 

History

History
284 lines (195 loc) · 6.22 KB

README.md

File metadata and controls

284 lines (195 loc) · 6.22 KB

MLquick

MLquick 是一个面向业务人员的零代码机器学习桌面产品，聚焦分类、回归、聚类三类常见分析任务，帮助用户在不写代码的前提下完成数据导入、模型训练、效果对比、批量预测和结果导出。

产品介绍

MLquick 的目标不是做一个面向算法工程师的实验平台，而是做一个让业务分析、运营、风控、销售支持、产品分析等角色也能直接上手的建模工具。

产品当前提供两种核心工作模式：

  • 训练模式：围绕数据集导入、训练配置、模型训练、测试集预览、训练图表和模型导出展开
  • 预测模式：围绕已训练模型选择、批量数据预测、结果导出和预测记录追踪展开

在交互层面，产品重点强调：

  • 零代码
  • 低学习成本
  • 训练与预测分离
  • 结果可解释、可导出、可复用

1776256316167

1776256427854

1776256473806

应用场景

分类场景

  • 客户流失预警
  • 贷款是否违约判断
  • 线索是否成交预测
  • 文本情感倾向识别

回归场景

  • 销售额预测
  • 房价预测
  • 客户生命周期价值估计
  • 工单处理时长预测

聚类场景

  • 客户分群
  • 商品分层
  • 用户行为模式识别
  • 业务样本结构探索

面向角色

  • 业务分析师
  • 运营经理
  • 风控分析师
  • 销售运营
  • 产品经理

系统架构

flowchart LR
    A[桌面客户端 PySide6] --> B[交互层]
    B --> C[训练模式]
    B --> D[预测模式]

    C --> E[数据导入与体检]
    C --> F[训练配置]
    C --> G[训练服务 TrainingService]

    D --> H[模型管理]
    D --> I[批量预测 PredictionService]

    G --> J[PyCaret 分类]
    G --> K[PyCaret 回归]
    G --> L[PyCaret 聚类]

    J --> M[模型评估与图表]
    K --> M
    L --> M

    G --> N[模型注册表 ModelRegistry]
    I --> N

    N --> O[(models/ 本地模型仓库)]
    A --> P[(workspace/ 导出结果与工作区)]
    A --> Q[(assets/ 图标与静态资源)]
    A --> R[(data/samples/ 示例数据)]
Loading

核心能力

  • 支持分类、回归、聚类三类任务
  • 支持自动对比候选模型
  • 支持手动指定单模型训练
  • 支持训练结果子 Tab 展示
  • 支持测试集完整预测预览
  • 支持模型导出与结果导出
  • 支持批量预测与导出记录
  • 支持 CSV、XLSX、XLS 数据导入

当前界面结构

训练模式

  • 左侧：训练配置区
  • 右侧：数据预览、训练结果、模型详情、运行日志

训练结果页采用两层结构：

  • 上层固定展示训练摘要
  • 下层通过子 Tab 展示详细结果

训练结果子 Tab 当前包括：

  • 模型对比
  • 测试集预览
  • 训练图表

其中：

  • 聚类任务会自动隐藏“模型对比”
  • 没有图表时会自动隐藏“训练图表”

预测模式

  • 左侧：模型搜索、模型筛选、批量预测入口
  • 右侧：预测输入预览、预测结果表、导出记录

文件夹树

MLquick/
├─ assets/                     # 图标、logo、打包资源
├─ build/                      # PyInstaller 构建中间产物
├─ data/
│  └─ samples/                 # 示例数据集
├─ dist/                       # 打包输出
├─ docs/                       # 补充文档
├─ models/                     # 本地模型文件
├─ src/
│  ├─ __init__.py
│  ├─ mlquick_desktop.py       # 桌面端主入口
│  ├─ mlquick_core/
│  │  ├─ io_utils.py
│  │  ├─ models.py
│  │  ├─ prediction.py
│  │  ├─ profiling.py
│  │  ├─ registry.py
│  │  ├─ text.py
│  │  └─ training.py
│  └─ utils/
├─ tests/                      # 冒烟测试与桌面初始化测试
├─ workspace/                  # 导出结果与运行工作区
├─ MLquickDesktop.spec         # PyInstaller 单文件打包配置
├─ version_info.txt            # Windows 版本信息
└─ README.md

技术栈

桌面端

  • PySide6
  • Qt Widgets

机器学习

  • PyCaret 3.3.2
  • scikit-learn
  • xgboost
  • lightgbm

数据处理与可视化

  • pandas
  • openpyxl
  • matplotlib

工程与打包

  • uv
  • PyInstaller
  • unittest

快速开始

环境准备

uv venv .venv
uv pip install -r requirements.txt

启动桌面端

.\.venv\Scripts\python.exe src\mlquick_desktop.py

运行测试

.\.venv\Scripts\python.exe -m unittest discover -s tests -p "test_smoke.py" -v

打包与发行

本地打包

当前使用 PyInstaller 进行 Windows 单文件打包：

.\.venv\Scripts\python.exe -m PyInstaller --noconfirm --clean MLquickDesktop.spec

许可证

双重许可证

个人使用：

本项目采用 GNU Affero General Public License v3.0 (AGPL-3.0) 开源许可证。

您可以自由地：

  • ✅ 使用本软件用于个人学习、研究和非商业用途
  • ✅ 修改和改进本软件
  • ✅ 分发修改后的版本（需保持相同许可证）
  • ✅ 在您的项目中引用本项目

商业使用：

⚠️ 重要提示：任何商业用途（包括但不限于：

  • 在商业产品中集成本项目
  • 使用本项目提供付费服务
  • 使用本项目进行生产环境的数据处理

都需要获得单独的商业授权。

联系我们获取商业授权

邮箱：yl_zhangqiang@foxmail.com

请在邮件中说明：

  1. 您的公司/组织名称
  2. 您的使用场景和需求
  3. 预计使用规模
  4. 联系人信息

我们将在3个工作日内回复您。

联系我们

项目维护者：cn-vhql

邮箱：yl_zhangqiang@foxmail.com

欢迎反馈：

  • Bug报告
  • 功能建议
  • 技术交流
  • 合作咨询

致谢

本项目基于以下开源生态能力构建：

  • PyCaret：提供零代码/低代码机器学习工作流能力
  • PySide6 / Qt：提供桌面端 GUI 能力
  • scikit-learn：提供底层算法与评估能力
  • pandas：提供数据处理能力
  • xgboost / lightgbm：提供高性能梯度提升模型支持
  • PyInstaller：提供桌面发行打包能力

感谢这些开源项目为 MLquick 的产品化提供了稳定基础。