正經機器學習之小巧的流程可視化機器學習工具

03-30

首先感謝沉默哥，為我們提供了一個流程可視化的學習工具的文章。

好了，我們開始吧！！

作為Python的忠實擁躉，我非常鍾愛Anaconda，這個集成環境真是太好用了！前段時間我注意到了一個有點逗的橘子圖標（紅框）

看起來應該是個可視化工具，所以我打算試用一下，點擊Install安裝完成後，然後點Launch。

進入後是有個嚮導的，點擊New新建一個，就可以一大塊空白：

左側是一些工具，我們稍後就會用到，右邊的空白其實是畫布，一會兒我們的流程都會布置在上面。

左側的工具欄由5部分組成，分別是Data（數據）、Visualize（可視化）、Model（模型）、

Evaluate（評估）和Unsupervised（無監督學習）。我們先從Data中選取File，並拖到右側，

以便讀取本地文件中的源數據。

演示數據，大家可以在這下載

鏈接：https://pan.baidu.com/s/1jN6glCp5rHS-XE5JaSSt3A 密碼：hqpy

當然，現在什麼都還沒有發生，我們雙擊File，會彈出一個界面，讓你選擇要讀入的文件。你

還可以看到你讀取的數據有哪幾列，在下面的表格中你可以設置它們的名字，數據的類型以及

它們的作用。比如下圖中，我們讀入了train_sample.csv，一共有10萬行數據，8個特徵，前

五個特徵都是numeric（數值型），中間有兩個時間特徵，我們選擇了跳過（skip），最後

bought是個categorical（類別型），它的值是0或者1（二分類）。

接下來我們再拖入一些輔助組件，比如Data Table可以讓你查看錶格，Data Info可以查看源數據的總體信息，還有Data Sampler用於採樣。

每個組件都可能會有左右弧線（虛線），左側代表輸入，右側代表輸出，我們將File右側的弧線拖到其他三個的左側，將它們連接起來。

這意味著File中的數據會輸出，並作為另外三個組件的輸入。沒有輸入的話你是看不到任何東

西的，連接完成之後我們可以雙擊Data Table，這時就會出現表格的內容。

任何組件都可以雙擊，雙擊之後你可以在其中進行一系列操作。

接著我們雙擊Data Sampler，用它的採樣功能來分割數據，將數據分割為訓練集和驗證集。

我們從中分割出了80%的數據，並且勾選了Stratify Sample，這主要是基於源數據是嚴重偏

斜的數據（0比1多很多很多），因此我們要按0-1的比例採樣。設置完點擊Sample Data即可

完成。

隨後我們在左側的工具欄中選擇Evaluate（評估），將其中的Test & Score拖進來，這個主要

用來看模型在數據集上的各類評分。另外我們再拖一個ROC Analysis進來，可以查看ROC曲

線。我們把它們連接起來。

這個時候我們發現Evaluate的兩個組件中間是虛線，這代表沒有有效的數據傳輸。畢竟我們還

沒有制定機器學慣用的模型，而且我們的數據輸入也有點問題。雙擊Data Sampler與Test &

Score之間的連線，我們就能設置數據的傳輸情況。

這裡我們也是通過拖動，將採樣出來的那80%（Data Sample）連接到Data上，成為訓練集

數據。再把剩下的20%（Remaining Data）連接到Test Data上，成為測試集數據。

我們再從左側工具欄的Model中拖出幾個模型（RF、NBC、NN），並把它們的輸出也連接到

Test & Score的輸入端，它們會自己連接到Learner上。

我們也可以雙擊模型組件來設置模型的參數：

連接完成後Test & Score會自動訓練和評估，雙擊它我們會看到相應的結果：

可以看到這裡給出了一些常用的評估指標的得分。這裡顯示的是在驗證集上的得分，你可以點

左側看看模型再訓練集或者各種CV下的得分情況。

然後，我們再雙擊ROC Analysis，可以看到三種模型的ROC曲線：

我們也可以設置為只看1條

可以說非常直觀了。此外，我們還可以在數據處理的初期就加入一些可視化組件來查看數據的

分布等等，就像這樣：

當然啦，你還可以通過左下角的一些工具加入一些注釋，像這樣：

這就是關於Orange的簡單介紹啦，這款工具界面很友好，功能也很豐富，有興趣的可以自己

探索一下。不過這款工具不太適合超大量的數據，也應付不了非結構化數據，但作為機器學習

的演示工具來說卻非常合適，而且它操作簡單，界面直觀，也非常有利於入門學習。

文章的最後，再次感謝沉默哥的文章，在這列下他的公眾號：DreamSanctuary，他正在翻譯

一大部頭的書，MLAPP，有興趣的可以去看看。