模型校准图生成器
用实验或科研数据生成 模型校准图生成器
根据真实结局和预测概率生成模型校准图或可靠性图，显示概率分箱与理想校准对角线。
模型校准图生成器 示例
查看 6 组可直接使用的数据与图形风格，覆盖真实科研场景。
模型校准图生成器能展示什么？
模型校准图生成器（Model Calibration Plot Generator）用于对比模型预测的概率与实际观察到的事件发生率。一个校准良好的模型其曲线应紧贴对角线（恒等线）；即使模型的区分度指标（如 AUC）表现优异，系统性的偏离仍会暴露模型存在过度预测或预测不足的问题。
模型校准图生成器的数据格式要求
- 每个样本需包含一个介于 0 到 1 之间的预测概率值，以及一个二分类的实际观测结果。
- 可添加可选的模型名称、队列、交叉验证折数或亚组列，以便进行多曲线对比。
- 必须使用独立的测试集或验证集，严禁使用训练集数据进行校准度评估。
- 若上传已分箱的数据，需包含平均预测概率、实际观测比例以及各分箱的样本量。
模型校准图科研应用实例
- 临床风险预测可靠性图
- 二分类器校准图
- 带 Brier 分数的概率校准曲线
- 机器学习模型校准曲线
- 多模型校准图比较
- 设备故障概率校准图
为什么需要评估模型的校准度？
- 验证模型给出的“20% 风险”在现实中是否确实对应每 100 个类似病例中约有 20 例发生事件。
- 识别那些虽然排序能力（Rank）好、但给出的绝对概率值不可靠的模型。
- 直观对比内部验证、时间验证和外部验证队列之间的性能差异。
- 在临床决策或实际业务部署前，充分评估不确定性以及数据稀疏区域的预测表现。
如何使用 模型校准图生成器
选择示例，或上传一个 CSV、TSV、TXT、XLSX、XLS 文件；检查识别到的列，生成图表，再进入 SciVis 继续编辑。Excel 仅读取第一个工作表。
一张规范的模型校准图应包含哪些要素
- X 轴代表预测概率（Predicted Probability），Y 轴代表实际观测频率（Observed Frequency）。
- 一条 45 度的理想校准参考线（Ideal Calibration Line）。
- 分箱样本量标注、地毯图（Rug Plot）或其他能反映概率分布密度的视觉元素。
- 在统计学方法合理的前提下，展示置信区间（Confidence Intervals）或平滑拟合曲线细节。
模型校准图还是 ROC 曲线？
模型校准图用于评估模型预测的概率值在数值上是否真实可信。ROC 曲线则用于评估模型在不同阈值下的分类排序能力。一个模型可能具有极高的 AUC，但其校准度却很差。因此，这两张图回答的是完全不同的科学问题。
模型校准图生成器 常见问题
模型校准图生成器需要哪些数据列？
对于行级原始数据，需要提供预测概率（predicted_probability）和实际结果（observed_outcome）列。对于已汇总的数据，请提供平均预测概率、实际事件发生率以及每个分箱中的样本量。
模型校准图会自动帮我重新校准模型吗？
不会。该工具仅对您输入的预测值和实际结果进行可视化。任何重新校准（Recalibration）方法的拟合与验证均需在外部完成，然后您可以将更新后的概率作为新的模型或队列导入并绘图对比。
用 模型校准图生成器 生成后还能继续编辑吗？
可以。用 模型校准图生成器 生成后打开 SciVis，即可修改标签、配色、标注、版式和其他视觉设置。
模型校准图生成器 生成的图可以用于论文吗？
可以。模型校准图生成器 面向清晰、适合发表的科学图表；投稿前仍应核对数据和目标期刊要求。
模型校准图生成器 可以导出高分辨率图吗？
可以。模型校准图生成器 图在 SciVis 中编辑完成后，可按论文、海报、幻灯片和报告的用途导出。
使用 模型校准图生成器 需要会编程吗？
不需要。模型校准图生成器 通过引导式上传流程生成初稿，后续用 SciVis 的可视化控件完成细化。
