Seldon Demo

Seldon Demo

用 Seldon-Mini 模型对数据表的行做分类，并在同一份划分上与 AutoGluon 基线对比。可用示例表或你自己的 CSV。适合数据科学家和机器学习工程师。

由 Neuralk-AI 在 Hugging Face 上制作。这些说明是 Mindket 根据它的 Space 页面和 README 写的，应用自己的文件和许可证在 Hugging Face 上。

简介

它是什么：这个 Space 让你试用 Seldon-Mini，一个做表格分类的模型。你选一个示例表或上传 CSV，选好要预测的列，模型就给留出的测试集打标签。同一份划分上还会运行 AutoGluon 基线，所以你可以把两者并排对比。

适合谁：如果你想在采用之前，看看表格模型在自己数据上表现如何，它很适合数据科学家和机器学习工程师。

行业 | 谁在用 | 怎么用 | 例子
金融 | 数据科学家 | 测试贷款和信用表，看模型怎样区分好坏 | 运行 credit-g 示例表
医疗和公益 | 分析师 | 试一个特征很少的献血者表 | 运行 blood-transfusion 示例表
零售和电信 | 分析师 | 在客户行上检查流失预测 | 运行 churn 示例表
机器学习 | 机器学习工程师 | 把表格模型和标准基线对比 | 查看两个模型的 ROC AUC 和准确率

如果你需要用于生产预测的托管服务，可以跳过它，因为这是一个每次都重新计算的演示。

用在哪里：

• 网页浏览器：打开 Hugging Face 上的 Space 页面
• Windows、macOS 或 Linux：用 Python 3.12 运行一份副本
• 没有 GPU 的电脑也能在本地运行，此时模型跑在 CPU 上

用途 | 谁用 | 得到什么
分类示例表 | 好奇的人 | 每个测试行的分数和预测
分类你的 CSV | 数据科学家 | 你上传的表得到同样的结果
与基线对比 | 机器学习工程师 | 两个模型的 ROC AUC、准确率、耗时和混淆矩阵

如何设置：在线页面什么都不需要。本地副本需要更多，因为模型有访问门槛。

• 在线演示需要网页浏览器
• 本地副本需要 Python 3.12
• 一个已接受 Seldon-Mini 模型访问条款的 Hugging Face 账号
• requirements.txt 里列出的包

1. 想在线使用，打开 Hugging Face 上的 Space 页面。
2. 想运行副本，先安装 Hugging Face hub 包。
3. 把 Space 下载到本地文件夹。
4. 进入该文件夹，安装 Gradio 6.27.0 和列出的包。
5. 启动应用。README 还给出了用 uv 运行的方式，需要先用接受过条款的账号登录一次。

pip install -U huggingface_hub
hf download Neuralk-AI/seldon_demo --repo-type space --local-dir seldon_demo
cd seldon_demo
pip install gradio==6.27.0
pip install -r requirements.txt
python app.py

hf auth login  # once, with an account that has accepted the gate of Neuralk-AI/seldon-mini
uv run --python 3.12 --with gradio==6.27.0 --with-requirements requirements.txt python app.py

如何使用：打开页面，从五个示例表里选一个或上传 CSV，并选好目标列。按下唯一的 Run 按钮，两个模型会同时运行。每个模型的卡片会随着各阶段完成而更新，页面最后给出分数和数据预览。

示例：你选 credit-g 表，目标列是 class，然后按 Run。Seldon-Mini 的卡片读取训练行并一次完成预测。AutoGluon 的卡片逐个训练它的树模型。你会得到 ROC AUC、准确率、耗时、混淆矩阵，以及每个测试行的预测。

新手与专家：如果你是新手，先用一个示例表，其他设置都不动。按一次 Run，对比两张卡片。ROC AUC 和准确率更高，说明模型把测试行分得更准。

如果你熟悉这个领域，Seldon-Mini 在 Fit 步骤里把训练行当作上下文来读，一次完成预测，不做调参。基线是 AutoGluon 的 medium 质量预设，在 CPU 上运行，上限 60 秒，它逐个训练树模型并混合成集成。Seldon-Mini 的各阶段会在它的 GPU 调用结束时一起变成完成。

选一个表或上传 CSV
选择目标列
数据被划分为训练行和测试行
Seldon-Mini 和 AutoGluon 并排运行
分数、矩阵和预测出现

注意事项：访客之间不缓存也不共享任何内容，所以每次运行都会重新计算两个模型。五个示例表来自 OpenML，图表展示了每个表的行数。

Title: Rows in each bundled table
credit-g: 1000 rows
blood-transfusion: 748 rows
credit-approval: 690 rows
vehicle: 846 rows
churn: 5000 rows

• License: MIT
• Cost to run: 一个已接受模型访问条款的 Hugging Face 账号及其读取令牌，加上托管 Space 用的 ZeroGPU 硬件
• Data it reaches: 你上传的 CSV、内置的 OpenML 表，以及从 Hugging Face 加载的模型权重
• Not for: 跨访客复用结果，因为不做缓存

Hugging Face 上的数据（2026年11月13日）

• 点赞：2
• 构建方式：gradio
• 许可证：mit

链接

• Space：https://huggingface.co/spaces/Neuralk-AI/seldon_demo
• 文件：https://huggingface.co/spaces/Neuralk-AI/seldon_demo/tree/main

试用

在浏览器里打开这个 Space，或在它的页面上把它复制到你自己的 Hugging Face 账号。这个工具包里没有会自己运行的东西。