展示当前使用的故障预测模型的性能指标。 数据通过查询数据库并计算得出。 其中： FDR、FAR、AUC、FNR、Accuracy、Precision、Specificity、ErrorRate为故障预测模型的性能指标。 预测指标：模型训练时生成的指标，根据训练的结果确定，模型一旦训练完毕则指标固定。 真实指标：模型部署后，每次预测都会产生预测结果，通过预测结果与真实结果计算得出模型的真实指标。例如模型预测硬盘A一周内正常，但硬盘A在一周内运行时故障失效，则模型预测错误，其真实性能指标也随之变化。

折线图，展示各个时间节点（一般为每天）的故障盘的数量变化趋势。 信息通过查询数据库并展示。 （目前没有故障盘所以是空的）

折线图，展示各个时间节点（一般为每天）某一特定硬盘的故障趋势变化。 信息通过查询数据库并展示。 其中，根据故障概率将硬盘分为正常、报警、故障，例如： 正常：0% ~ 50% 报警：50% ~ 80% 故障：80% ~ 100% 。

展示所有硬盘的故障预测信息。 信息通过查询数据库并展示。 其中 搜索：通过硬盘的名称查询某一特定硬盘状态。 硬盘Model：硬盘的系列号。 预测时间：最近一次对该硬盘进行故障预测的时间。 状态：正常、报警、故障。

首先选择模型类型（以随机森林为例） 其次设置正负样本比例：默认为1:3，也可选择其它比例。 然后设置验证集占比：默认为10%，小于30%最佳，不可超过100%。 最后根据模型类型，展示相应的“主要参数”列表并设置，例如选择随机森林模型后，网页端展示出如下参数列表： Max Depth：最大深度。 Max Features：最大特征数。 N Estimators：树的个数。 最后点击开始训练按钮，训练模型，上方分别为划分数据集、数据预处理、模型训练的进度条。注意： 不同类型的模型对应不同的主要参数列表。 每个模型的参数数量与参数类型是固定的。 参数的类型可能是整数、小数、字符串。 每个参数的取值以逗号分割，表示该参数的取值范围。例如10,20,30表示参数可以取值10或20或30。 参数的设置都设有默认值，参数调整需要机器学习算法的相关经验。

展示所有模型训练的历史记录。 信息通过查询数据库并展示。