【Python环境】python的Orange包实现机器学习与数据挖掘的分类问题

Orange是Python语言中一个强大的机器学习包，主要用于实现数据挖掘和有监督的机器学习，包括分类，回归等等。在Orange的使用过程中并不需要用户像使用Sklearn那样记性复杂的参数设置，甚至进行必要的参数优化（尽管我们必须承认这些功能有时候是很有用，而且在Sklearn中是相当强大的），但是对于一些初学者尤其是没有编程基础的生物学专业的用户来说，一种简单有效，且适用性强的数据挖掘方法才是真正被需要的。因此今天我们就以Orange为例，为大家介绍一下如何通过Orange来解决数据分类预测的问题。

第一步需要配置Python环境，并按照Orange包

Python下载地址https://www.python.org/

Orange下载地址http://docs.orange.biolab.si/tutorial/rst/classification.html

下载后首先配置环境变量，然后在命令提示符中找到Orange所在目录并输入

Python setup.py install

在IDLE中输入import orange，如果没有报错，则说明已经成功安装好Orange,接下来我们就可以开始我们的Orange机器学习之旅了！

第二步学习过程并建立模型

我们从Orange库中获取了一个测试数据，并传递给变量data。数据类型如图所示，红框圈出的为类别标签label，可见有两类分别为republican和democrat。同时特征值里包含三类字符，n，y，？。 “?”代表的是缺失值，这是Orange不得不提的一个强大之处，就是可以默认或忽略文本中的缺失值，而我们知道在高通量数据比如测序数据中，缺失值是大量存在的，尽管有很多方法可以补全和估计缺失值，例如根据行和列的均值，中值，标准差等，但是补全的缺失值并不能代表真实情况，只是近似估计而已，因此在某些情况下，与其近似估计，不如默认忽视这样的缺失值，保证文本最真实的情况。

接下来就是构建模型，learner是通过Orange包中的贝叶斯模型构建的学习机，并通过data进行训练，获得分类模型classifer。

第三步预测过程，通过classifer模型对测试数据进行判别

我们取前十个数据点进行判别预测，输出结果如蓝字表示，左侧一列代表预测结果，右侧为原始分类，可见有两个democrat类别的数据点进行了错误分类，精度可达到80%，说明模型对于republican类别的数据预测效果较好，对democrat的分类效果稍差。总体精度还可以。

第四步，验证模型分类效能

对于分类器，我们通常需要借助交叉验证或ROC进行评价，那么这里我们同样结合交叉验证计算ROC曲线下面积 即AUC值，来评价我们构建的模型的分类效能。

Bayes为学习机，res为结合5倍交叉验证进行重复预测，最后我们输出平均精度和AUC值。

可见平均精度为90%，AUC值为0.97，说明我们这个贝叶斯分类模型还是具有相当的稳健性的。

以上就是通过Orange实现的数据分类预测过程，从获取数据到建立模型，预测，效能验证全过程都不需要传递任何参数，不像其他分类方法必须由用户传递核函数，惩罚项等等，但是通过交叉验证和ROC，我们证明了Orange分类模型具有足够的精确度和稳健性。