如何在 Linux 上安装 Orange 数据挖掘工具？

Orange 是一个强大的平台，可用于执行数据分析和可视化、查看数据流并提高生产力。它提供了一个干净的开源平台。它是由卢布尔雅那大学在 GPLv3 许可下开发的。

安装步骤

第一步：首先我们在安装Orange Tool之前先安装pip等依赖。

sudo apt install build-essential python3-dev python3-pip

要验证安装，请运行：

pip3 –version

第2步：现在，安装橙色工具。

pip3 install orange3

Note: This command will also install various machine learning libraries and PyQt5 that may cost you additional data. 

使用橙色工具

在命令行上运行以下命令：

python3 -m Orange.canvas

橙色小部件

这些是可视化编程环境的数据工作流的构建块。我们根据其功能对以下橙色小部件进行了分类。

数据

这些小部件读取和显示数据。一些常见的例子是：

• 文件：它读取输入数据文件并将数据集发送到其输出通道。
• CSV 文件导入：它读取逗号分隔的文件并将数据集发送到其输出通道。
• 数据集：它从服务器检索选定的数据集并将它们发送到输出。
• 数据表：它在其输入中接收数据集并将其呈现为电子表格。

可视化

这些小部件通过各种图表和条形图可视化给定数据。一些常见的例子是：

• 箱线图：显示属性值的分布。
• 分布：显示离散或连续属性的值分布。
• 散点图：提供二维散点图可视化。

模型

这些小部件将机器学习算法应用于给定的数据集。一些常见的例子是：

• 常数：它 从训练集中预测最频繁的类别或平均值。
• CN2 Rule：它使用 CN2 算法从数据中归纳出规则。
• kNN：根据最近的训练实例进行预测。
• 随机森林：它使用一组决策树进行预测。

评估

这些小部件评估模型小部件产生的结果。一些常见的例子是：

• 测试和评分：它在数据上测试机器学习算法。
• 预测：它显示模型对数据的预测。
• 混淆矩阵：它显示了预测类和实际类之间的比例。

无监督

这些小部件处理无监督数据。一些常见的例子是：

• 距离矩阵：它在距离矩阵中可视化距离度量。
• 距离图：它可视化对象之间的距离。
• k-Means：它将 k-Means 算法应用于数据。