极速建模
点击式操作
自研算法
自定义算法
自动化特征衍生
仅5步鼠标即可极速完成数据建模，大幅缩短模型开发周期。
人机交互友好
通过友好的人机交互设计，使得机器学习变得大众化，降低机器学习的入门门槛，用户学习成本大大降低。
新一代的UI风格
有别于传统机器学习平台，本系统使用新一代的UI设计风格，系统通过丰富的图表把数据与模型的信息更好地展示出来。
系统对机器学习算法进行大量的底层代码改进与优化，这不仅让建模变得更高效，而且使得模型的精度更高。
高效
模型训练速度以及资源消耗都显著地优于同类型的产品，最快仅需10来秒就可以得到一个模型，大大提高了模型的迭代速度。
高精度
经过大量的数据与客户反馈验证，模型训练效果优于同类型的其他产品。
可干预
用户可以根据专家经验对树类型的机器学习模型的训练进行人工干预，使得机器学习与专家经验可以有机结合，提高模型的可用性。
用于支持用户自定义符合平台规范的分类或回归算法，自动化算法的各个子模块编辑完检验通过后可以保存至自定义算法库，后续建模任务中可选择该库中的相关算法进行模型训练、预测等功能。
简单
系统把模型训练整个流程进行抽象整理，用户仅需实现几个关键方法即可生成自定义的算法模型。
开放
用户可以按照自己的需要通过python语言完全按照自己的想法生成自己的算法模型。
全流程
自定义算法支持系统的所有功能模块。
通过机器学习的算法自动生成各种有效切具有业务含义的衍生特征。
变量分箱
通过机器学习算法对变量进行分箱，分箱结果可以手工调整，已达到最佳效果。
交叉衍生
根据变量在树模型中的交互作用，对变量进行两两的四则运算，得出交叉衍生变量，这些衍生变量通常具有特定的业务含义，并且可以一定程度解决变量的非线性问题。
规则衍生
根据树模型从根节点到叶子节点分裂的规则得到的衍生变量，这种衍生变量通常具有很强的业务含义，并且可以一定程度解决变量的非线性问题。
多项式衍生
通过单变量归因的多项式拟合出来的衍生变量，这种变量通常具有很强的相关性。
