Orange3 实战教程

Orange3 实战教程

光谱学

多文件部件

支持多源数据加载与合并，可编辑属性、定义变量类型，支持标签标识与缺失值插值，配置结果可提交报告。

光谱预处理

提供截断、高斯平滑、基线校正等预处理方法，支持步骤顺序调整与实时预览，可结合参考数据集优化数据质量。

插值

对齐不同波数光谱数据集，支持自动/手动参考插值，验证分辨率损失对分类性能的影响，提升测量效率。

高光谱

专用于高光谱数据可视化，支持交互式区域选择、图谱操作（如放大、保存）与光谱曲线分析。

光谱

光谱数据探索工具，支持多选、平移缩放、峰值标注与线选筛选，适用于快速特征对比。

---

无监督学习

Louvain 聚类

基于模块化优化的社区检测算法，支持近邻图构建与参数调整（如分辨率），输出聚类标签。

密度聚类（DBSCAN）

基于核心点与邻域距离的分组，支持参数优化（如k近邻图分析），适用于噪声数据与复杂分布。

流形学习

非线性降维技术（t-SNE、MDS等），可视化高维数据低维结构，支持分类变量连续化预处理。

主成分分析（PCA）

线性降维方法，提取主成分特征，支持归一化与数据可视化（如鸢尾花二维投影）。

离群值检测

集成单类SVM、协方差估计等方法，支持污染度与邻居数设置，提供离群值标记与统计。

k均值聚类

经典聚类算法，支持轮廓系数评估簇数，输出初始中心点与标签，适用于快速分组。

层次聚类

基于树状图的聚类方法，支持多种链接方式（如沃德法），可修剪深度并生成二维投影。

---

模型与评估

ROC分析

可视化模型分类性能，绘制真阳性率与假阳性率曲线，支持最优阈值与分类器选择。

混淆矩阵

展示分类错误分布（如虹膜数据误分类实例），支持实例筛选与模型交叉验证对比。

参数拟合器

自动化超参数调优工具，对比不同参数对模型性能（AUC/R²）的影响。

随机森林

集成学习方法，支持特征重要性评分，输出多棵决策树模型，适用于分类与回归任务。

逻辑回归

支持L1/L2正则化的分类模型，可结合特征排序分析变量贡献。

---

数据可视化

散点图

核心探索工具，支持属性对投影优化、颜色/尺寸调整与交互式数据筛选。

热力图

展示特征相关性或基因表达模式，支持行列聚类与颜色方案定制。

箱线图

分析属性分布与异常值，支持按子组相关性排序（ANOVA/卡方检验）。

树状查看器

可视化决策树结构，支持节点选择与数据子集导出，适用于探索性分析。

t-SNE二维投影

高维数据降维可视化，优化局部与全局结构保留，支持基因/单细胞数据解析。

---

数据处理与转换

数据采样器

支持固定样本量、分层抽样与过采样，适用于不平衡数据与交叉验证。

缺失值填补

自定义填补策略（均值/中位数），支持单个属性覆盖全局设置。

离散化

将连续变量分段，支持等宽/等频分箱或手动阈值调整。

数据合并

按行或列拼接数据集，支持主键匹配与保留未匹配数据选项。

---

进阶应用实例

文本分类

基于逻辑回归/朴素贝叶斯的主题分类，支持诺模图分析关键词贡献。

生物基因聚类

结合t-SNE与聚类识别差异表达基因，解析分子通路与调控机制。

乳腺癌亚群分析

使用Kaplan-Meier曲线与箱线图探索患者生存率与特征关联。

---

其他工具

构建工作流

可视化编程核心指南，通过部件拖放与连接实现端到端分析流程。

导出模型

支持模型保存（pickle格式）与跨工作流复用，兼容Python脚本调用。

中文界面指南

菜单功能详解，涵盖预处理、可视化、分类算法与交互操作说明。