第 1 步：载入测量数据并确定通道
打开您的记录文件（CSV、MAT、MDF/MF4 或 TXT），或导入一段 CAN 或 CAN FD 报文（.asc 或 .blf），并按其信号数据库（.dbc）解码。打开时所有通道都会对齐到同一时间轴上，因此以不同采样率记录的信号从第一个条带起就能正确对应。
随后您指定模型以哪些通道作为输入、要重建哪一个信号。训练数据不必位于同一个文件中：除当前文件之外，还可以选择多个文件或整个文件夹。若同一物理信号在不同文件中命名不同，可用一张映射表为每个文件一次性指定正确的通道（并可保存为 CSV 文件重复使用）。
第 2 步：训练与比较
可选的模型有随机森林、XGBoost 和神经网络。没有哪一类对所有任务都是最好的，因此不需要事先选定：模型竞赛会针对相同的输入与输出通道同时训练多个候选模型，并在排行榜中并列呈现。
此类替代模型的精度取决于超参数，也就是在训练之前确定的参数：对随机森林而言是树的数量、最大深度与最小叶子大小；对神经网络而言是层数、每层神经元数与学习率。这些超参数在 Data Sensors 中自动确定，可采用贝叶斯优化、Random Search、Grid Search 或代理模型策略。
评估在保留的验证集上进行，也就是在该模型未用于训练的数据上进行。排行榜将验证 RMSE 与 R² 并列列出，同时给出训练时间和拟合诊断。数据集足够大时，还会另外划出一个独立的测试集，既不用于训练也不用于模型选择。
第 3 步：导出为独立代码
选定的模型可直接导出为 C、C++、Python 或 MATLAB：C 适用于纯单片机构建，C++ 提供基于类的接口，Python 适用于分析脚本或服务，MATLAB 适用于 Simulink 模块。生成的代码是预测函数的独立实现，不依赖 Data Sensors，也无需链接任何运行时库。
导出可选全精度或 int8 量化，对话框会事先给出两种方案的大小与精度估计。因此在闪存预算与精度之间的取舍发生在保存之前。排行榜中的每一项都可以单独导出，而不只是第一名：精度略低的模型可能在您的目标硬件上运行更快，或更容易放入可用存储。
为此需要什么
一次测量，其中同时记录了后续的输入通道与目标量。目标量必须由物理传感器测得，因为它是训练的参考。需要多少数据取决于关系本身；是否足够，由保留集上的评估结果给出。除此之外没有其他前提条件：无需安装 Python、无需账户、无需联网。