工具｜Orange 3：机器学习入门神器

原创 数据火锅 数据火锅

一、Orange3基本介绍与安装说明

（一）Orange3基本概况介绍

Orange3（https://orangedatamining.com/）是一款基于Python的数据挖掘和可视化工具，它提供了丰富的数据分析、机器学习和数据挖掘算法，同时也支持可视化分析和交互式数据探索。Orange3提供了友好的界面和丰富的示例工程，使得新手用户也可以快速上手，同时也支持Python脚本，可以满足高级用户的需求。

Orange3主要的功能特性有交互式数据可视化、可视化编程、数据科学教育和附加组件扩展功能，接下来就让我们一起来看看这些功能具体分别都能干些什么 :

在交互式数据可视化方面，可以通过巧妙的数据可视化执行简单的数据分析。例如探索统计分布、箱线图和散点图，或者深入了解决策树、层次聚类、热图。有助于发现隐藏的数据模式，在数据分析程序背后提供直觉，其可视化小部件包括散点图、框图和直方图，以及特定于模型的可视化，如树图、剪影图和树可视化，仅举几例。许多其他可视化在附加组件中可用，包括网络可视化、文字云、地理地图等。

在可视化编程方面，由于在用户界面中用户可以专注于数据分析，而不是繁琐的编码，这使构建复杂的数据分析管道变得简单，这对于初学者和数据科学家来说，是一个很好的数据挖掘工具。那么你肯定会有疑惑，Orange3的可视化编程到底为什么这么简单呢？有3点可以说明：

第一，它是基于组件的数据挖掘。在Orange3中，数据分析是通过将组件堆叠到工作流程中来完成的。每个组件都称为小部件，嵌入了一些数据检索、预处理、可视化、建模或评估任务，在工作流程中组合不同的小部件，让你能够构建全面的数据分析模式。

第二，交互式的数据探索。在Orange3中的各组件之间可以相互通信，从读取数据并将其输出连接到另一个小部件（例如数据表）的文件小部件开始，就可以有一个正常运行的工作流程。在文件小部件中的任何更改，都会通过下游工作流程即时传播并触发所有下游小部件中的响应。如果小部件是打开的，便可以立即看到该数据的任何更改结果、方法参数或交互式可视化中的选择。

第三，便捷的工作流程设计界面。即使对于新手来说，Orange3也很容易使用，从文件小部件开始，Orange3将自动建议可以连接它的下一个小部件。例如，Orange3知道在设置了距离小部件后，你可能想要分层聚类。小部件中的所有其他默认值的设置方式也有助于进行简单的分析，即使对统计学、机器学习或一般的探索性数据挖掘了解。

在数据科学教育和方面，Orange3也是一个动手训练的完美工具。教师可以用清晰的程序设计以及对数据和模型进行视觉探索，学生可以受益于该工具的灵活性。例如，教师可以通过绘制数据，用每个新数据点让学生观察到线性回归如何适合这条线。

（二）下载与安装

Orange3的官方网址：https://orangedatamining.com/

官网下载最新版本Orange并安装（没有其他复杂操作，直接下一步即可，选择适合自己电脑系统的安装包，若想修改安装位置可自定义修改）。

在这里需要说明的是，Orange3自带最新或最近版本的Python环境，对于复杂的数据集，若Orange自带组件处理不便时，通常先将文件数据连接至<Python script>，通过Python处理后再转换成Orange.Tabel()形式进行后续操作。

具体的使用Python进行处理的方法及代码可参考官方文档：

https://orange3.readthedocs.io/projects/orange-data-mining-library/en/latest/tutorial/data.html

二、Orange3功能介绍及示例

（一）界面导航说明

在Orange3界面，有八大主要板块，分别为数据（Data）、可视化（Visualize）、模型（Model）、评估（evaluate）、非监督（Unsupervised）、强化学习（Reinforcement）、深度学习（Deep learning）、图像文本挖掘（Image Analytics）。下面列举几个Orange3主要功能的思维导图，可以让你对软件整体概况有所了解。

（二）数据整理清洗(Transform)

上一节我们讲了orange这个软件怎么导入数据,在展现数据之后，我们要对这数据进行整理，或者说对着数据进行清洗。

1.进行数据行过滤

2.双击Select Rows功能

3.点击添加自己设置的条件，即可进行简单的数据清洗

4.在上面三栏中设置数据的种类、条件、和数值即可完成简单的数据整理

（三）数据可视化（Visualize）

下一个讲我们再用经常用到的一个散点图数据可视化功能。在图中可以系统看到，数据中各类条件的分布范围。

1.表格数据

2.制成可视化散点图

3.功能总结

①此文件小部件设置为读取Iris数据集。双击图标以更改输入数据文件，并观察此工作流如何适用于其他一些数据集，如住房或自动mpg。

②双击“散点图”图标以可视化数据。然后通过从散点图中选择点来选择数据子集。

③数据表小部件显示在散点图中选择的数据子集。

④尝试将一些其他小部件连接到散点图的输出。比如，二个方框图小部件（工具箱，可视化窗格）。方框图将显示散点图中所选数据子集的分布。

（四）模型（Model）

分类树（Tree）是一种简单的算法，可通过类别纯度将数据拆分为节点。它是随机森林（Random Forest）的前身。

树（Tree）可以处理离散数据集和连续数据集，可以用于分类和回归任务。

1.散点图结果展示：

三、Orange3具体操作介绍

（一）加载数据（Excel）

主要处理Excel；Tab以及逗号分隔的文件数据。输入数据集通常为表，行中有数据实例（样本），列中有数据属性。属性可以具有不同的类型（数字，分类，日期时间和文本），并具有分配的角色（特征，元属性和类）。我们既可以在数据表表头设置数据类型和角色，也可以在文件(File)小部件中进行更改，数据角色也可以通过选择列(Select Columns)小组件进行修改。

1.认识数据

(1）数据来源1:

现有数据文件。以通过特征预测基因功能为例，见文件sample。该文件包括一个标题行（蓝框），8个数据实例行（黄框），代表基因和7个数据属性（列），第1列表示功能（类），第2列表示名称，其余列表示每个基因的测量值。属性可以具有不同的类型（数字，分类，日期时间和文本），并具有分配的角色（特征，元属性和类），如下图所示：

（2）数据来源2：

数据集(Datasets)，即从在线存储库加载数据集。此小部件从服务器检索选定的数据集，并将其发送到输出。文件下载到本地即可使用，之后使用无需联网。每个数据集都提供了关于数据大小、实例数量、变量数量、目标和标签的描述和信息，如下图所示：

2.具体操作

（1）双击打开左边导航栏Data(数据）中的File文件小部件，如下图所示：

（2）点击浏览文档数据集，加载出现有的数据文件，如下图所示：

（3）选择列：设置属性类型和角色

方法一：双击数据表（Data Table）查看具体内容，即核查目标变量与元信息变量是否正确。通过表格，可见该软件正确地推断具有基因名称的列为元信息，该列在数据表中以浅棕色阴影显示。但是它没有正确推断出 function（第一个非元属性列）是类别数据。要纠正此问题，可先点击文件(File)小部件，然后在列显示中调整属性角色，如下图2.5所示。双击功能行中的功能标签，然后改为目标，因为运行目标是推测基因功能，结果如下图所示：

方法二：将数据发送到选择列(Select Columns)小部件：打开 “选择列(Select Columns)” 将显示其属性分类。目的是将所有的连续属性成为数据特征，function 作为目标变量，而 gene 被视为元属性。可通过在 “选择列” 中拖动属性名称来设置这些信息，如下图所示：

（4）头与属性类型信息：

①使用定义属性类型（连续，离散，时间，字符串）和角色（类或元属性）的前缀来扩展属性名称。前缀与属性名称以 “＃” 分隔。属性角色的前缀为：

lc：类属性。类是用来描述具有相同的属性和方法的对象的集合。例如“人”可以看作一个类，然后这个类可以定义出每个具体的对象。类具有的属性可以理解为“人”本身的一些特征，如名字、身高、体重等。

lm：元属性。元属性又名元数据（meta Data），是用于描述其他数据的数据，或者说是用于提供某些资源的有关信息的结构数据。元属性描述了数据定义、数据约束、数据关系等。

li：忽略属性。忽略实体类中的某个属性不返回给前端。

lw：实例权重和类型

lC：连续值。连续值是指可以取任意实数值的变量，例如人的身高、体重。

lD：离散值。离散值是指只能取有限或可数个数值的变量，即它们的取值只能是整数或某个离散集合中的元素，例如人的年龄、性别、婚姻状态等。

lT：时间

lS：字符串

结果如下图所示：

②使用“文件（File）”小部件来加载此数据集，将其呈现在“数据表（Data Table）”中，如下图所示：

3.保存数据

点击保存数据(Save Data) 小部件，将输入通道中提供的数据集保存到具有指定名称的数据文件中。它可以将数据另存为制表符分隔或逗号分隔的文件。注意该软件不会自动保存，仅在设置了新文件名或用户按下 ”Save“ 按钮之后才保存数据，如下图所示。

（二）文本分析实例

实操数据的分析基于44篇格林童话，搭建链接所需工作流。

1.语料库Corpus：词云可视化展示高频词

(1) 从本地读取.tab格式的格林童话文本文件，生成语料库Corpus。

(2) 链接Corpus Viewer组件浏览语料库。

(3) Preprocess Text组件作分词等处理，后链接词袋Bag of words用于获取词频统计的二维表格，作为挖掘算法应用的基础。

2.数据表Data Table：展示词袋Bag of words

在Preprocess Text的基础上，产生词袋Bag of words，输出成Data Table展示。

3.文本处理Process Text：对语料库的每篇文本作分词处理

4.分析实例一:一致性检查

这个例子分析单词的用法，检查它使用的语境是否一致。

(1) 从词云中选中一个词，此处与“said”为例。

(2) 链接词上下文Concordance组件，用于显示该词在语料库中出现的上下文。

(3) 从B中选中的语料Corpus，可以通过CorpusViewer中查看整篇语料。

5.分析实例二:文本相似性分析

(1) 计算各篇文档间的距离（可选择欧式、马氏等）。

(2) 通过层次聚类分析文档的相似性。

(3) 通过MDS图可视化展示相似性，相似的文档在图上的距离较近。

（三）图片预测

实操案例基于一个简单的mnist手写数字识别数据，搭建所需工作流。使用卷积神经网络学习器 设置卷积神经网络结构, 图片加载器加载训练和测试数据, 图片加载器 (1) 加载想要预测的图片, 模型训练与测试对模型训练并测试, 其结果可以通过散点图进行观察, 还可以在卷积神经网络预测进行预测。

1.卷积神经网络学习器（CNN Learner）

使用默认参数，点击“观察并输出模型”按钮，得到右侧主界面出现模型结构和参数。

2.图片加载器（Image Loader）

开始模型训练，选择需要训练，载入mnist数据集。训练时长约为1min左右。

3.模型训练与测试（train&test）

打开“模型训练与测试”，使用默认设置，开始训练。测试数据集的准确率约为98.87%。

4.卷积神经网络预测（CNN Predict）

链接神经网络预测CNN Predict组件，得出预测结果。

（四）Visualize 数据可视化

从左工具栏中可知orange3只有19种图表

1. 导入数据

左工具栏Data取File 拖移于空白处,双击入定接口,橙色方框内取用数。

2. 设置属性类型和作用

黄色方框则是资料属性表,类型分为分text(文本)、numeric(数值)、categorical(类别)、datetime(日期时间),作用分为feature(特点)target(目标)、meta(元数)、skip(略)。虽然orange3能自动识别数属性,但是如果不能正确判断，可以手动调整,如下图所示：

3. 选取subset

从左侧工具栏Data中提取Data Table拖移至空白处，连接File使得数据得以传送。双击即可进入设定界面，提取要分析的数据作为subset，如下图所示：

（五）Scatter Plot散点图

1. 连接

2. 设定接口

橙色方框内可调整X&Y轴的项目，黄色框则是调整点的颜色、形状、大小等。

3. 选取Data

值得探索的数据不只有在Data Table可提取，也能从Scatter Plot中提取并显示在后面连接的Data Table（1）上。

（六）其他

1.调整颜色

2.下方列表

①调色盘：由左至右第五个，用于调整图表的字体

②12/150：从150个点之中有12个点被提取，点进去能分别看见提取及非提取的详细列表

四、小结

虽然与其他数据分析平台或工具相比，Orange 3在专业性方面并不具有优势，但作为一款免费获取和开放使用的工具，Orange3灵活、友好的使用方式，较低的使用门槛，使其具有在多个领城快速普及的潜力。代码门槛给社会科学类研究者挖掘分析数据带来了一定的阻碍，使其无法 在研究时享受大数据的红利，而 Orange 3有望成为这些非计算机专业、少代码基础或无代码基础的研究人员从事科研工作的必备工具。

北京大学暑期课《数据新闻》作业

图文| 如来fo组

组员| 温鑫栋 齐颖欣 周承星 陈杰 王子欢 邓雅瑄

原标题：《工具｜Orange 3：机器学习入门神器》