训练分类模型

TextGO 支持使用机器学习模型来识别自定义文本类型。通过训练模型,你可以让 TextGO 识别任何特定模式的文本,极大地扩展其识别能力。

什么是分类模型

TextGO 使用 TensorFlow.js 在浏览器端训练和运行机器学习模型。这种方式具有以下优势：

无需后端：所有训练和推理都在本地完成
隐私安全：数据不会离开你的设备
实时推理：模型加载后可以快速识别文本
轻量级：模型体积小，加载迅速

何时使用分类模型

适合使用模型的场景

✅ 复杂的文本模式

难以用简单正则表达式描述的文本模式
存在一定变化但整体规律相似的文本

✅ 拥有足够的训练数据

至少需要 10-20 个正样本
样本能够覆盖主要的变化情况

✅ 对识别精度要求不是 100%

可以容忍少量误判
适用于模糊匹配场景

不适合使用模型的场景

❌ 简单而精确的模式

可以用正则表达式精确描述的情况
例如：电话号码、身份证号等固定格式

❌ 训练数据不足

只有少数几个样本
样本覆盖范围不全面

❌ 需要 100% 准确率

完全不能容忍误判
对准确性有严格要求的业务场景

创建分类模型

步骤 1：进入模型管理

打开"设置" > "分类模型"
点击"+"号添加新模型

步骤 2：基本信息

填写模型的基本信息：

模型名称（必填）

用于标识模型
建议使用描述性的名称

模型图标（可选）

点击图标选择器选择图标
支持内置图标库
支持上传自定义 SVG 图标

步骤 3：准备训练数据

训练数据是决定模型识别能力的关键。

数据格式：

每行一个样本
使用换行符分隔样本
支持任意类型的文本内容

样本质量要求：

✅ 样本应覆盖文本的主要变化情况
✅ 样本应包含该类文本的典型特征
✅ 清理样本中的无关内容
❌ 避免提供完全相同的样本
❌ 避免包含错误或无效的样本

步骤 4：配置参数

基础参数

置信度阈值 (0.0 - 1.0)

默认值：0.5
说明：模型输出的置信度需超过此阈值才判定为匹配
调整建议：
- 提高阈值 → 匹配更严格，减少误判率
- 降低阈值 → 匹配更宽松，提高识别率

使用分类模型

训练完成的模型会自动出现在识别类型列表中：

打开"快捷键设置"
添加一条新规则
在"识别类型"中选择你训练好的模型
配置相应的执行动作并保存