优化的起点#

平台基本功能跑通后，我问 AI 了一个开放性问题：

针对当前平台，从用户体验角度，有哪些可优化的方向？请按必要性排序。

AI 返回了 8 个方向，我选了前 6 个（P0-P2）：

P0：训练过程可见性#

AI 设计了一个很优雅的 ProgressCallback 机制：

• 每个 task_type 定义阶段列表（如监督学习 7 步、聚类 4 步）
• 每个阶段入口调用 progress_callback('stage_name', message='...')，写入 MLTask.progress_info（JSONField）
• 前端每 2s 轮询时拿到进度数据：进度条百分比、当前阶段名、实时日志

监督学习进度条：
数据导入 → 预处理 → 相关性分析 → 特征选择 → 模型训练 → 超参数调优 → 模型保存

P1：错误反馈可操作#

AI 利用 ml_utils.py 中已有的异常体系（MLDataError、MLFeatureError 等），按异常类型映射到 5 个类别：

{
  "category": "data_quality",
  "category_display": "数据质量问题",
  "icon": "📄",
  "summary": "数据中存在大量缺失值",
  "suggestion": "建议在预处理阶段移除缺失率过高的列"
}

这比直接给用户看 Traceback (most recent call last): ... 友好太多了。每个错误都有 中文摘要 + 修复建议，用户可以直接按建议操作。

P0：数据探索面板#

上传 CSV 后，预览模态框扩展为 4 个 Tab：

1. 原始数据：前 5 行表格
2. 统计描述：数值列 describe 表格 + 分类列频率表
3. 分布图：ECharts 直方图（数值列）/ 柱状图（分类列）
4. 相关性：RdBu 发散色板热力图

P1：跨任务模型对比#

新增任务对比页面，支持 2-5 个同类型已完成任务的横向对比：

• 指标表格：最佳值绿色高亮，最差值红色
• ECharts 分组柱状图：模型性能对比
• 特征对比表：交集/差集
• 参数差异表

P2：流程串联——工作流步骤指示器#

在导航栏下方加一个 5 步进度条：

1.数据管理 → 2.特征配置 → 3.模型训练 → 4.结果查看 → 5.在线预测

当前步骤高亮，已完成步骤绿色，未到达步骤灰色。通过 URL pathname 自动判断当前步骤。

同时每个步骤完成后页面自动提示"下一步"：

• 上传完数据 → “前往配置特征”
• 配置完 → 自动跳转到看板并带上 dataset_id
• 训练完 → “可以进行在线预测”

下面数据仅作测试演示，并不是平台真实的预测结果。

变更总览#

修改文件 12 个，数据库迁移 2 次（MLTask 增加 error_detail/progress_info，DataSet 增加 statistics）。