Оранжевый (программное обеспечение)

Апельсин

Разработчик(и)	Университет Любляны
Первоначальный выпуск	10 октября 1996 г ( 10.10.1996 )
Стабильная версия	3.37.0 / 27 мая 2024 г ( 27 мая 2024 г. )
Репозиторий	Оранжевый репозиторий
Написано в	Питон , Cython , C++ , C
Операционная система	Кросс-платформенный
Тип	Машинное обучение , Интеллектуальный анализ данных , Визуализация данных , Анализ данных
Лицензия	GPLv3 или новее
Веб-сайт	оранжевыйданныемайнинг .с

Типичный рабочий процесс в Orange 3.

Orange — это с открытым исходным кодом набор инструментов для визуализации данных , машинного обучения и интеллектуального анализа данных . Он имеет интерфейс визуального программирования для исследовательского качественного анализа данных данных и интерактивной визуализации .

Виджет дерева классификации в Orange 3.

Описание

на основе компонентов, Orange — это пакет программного обеспечения для визуального программирования предназначенный для визуализации данных , машинного обучения , интеллектуального анализа и анализа данных .

Оранжевые компоненты называются виджетами. Они варьируются от простой визуализации данных, выбора подмножества и предварительной обработки до эмпирической оценки алгоритмов обучения.и прогнозное моделирование .

Визуальное программирование реализуется через интерфейс, в котором рабочие процессы создаются путем связывания предопределенных или созданных пользователем виджетов , а опытные пользователи могут использовать Orange в качестве библиотеки Python для манипулирования данными и изменения виджетов.

Программное обеспечение

Orange — пакет программного обеспечения с открытым исходным кодом, выпущенный под лицензией GPL и размещенный на GitHub . Версии до 3.0 включают основные компоненты на C++ с оболочками на Python . Начиная с версии 3.0, Orange использует общие библиотеки Python с открытым исходным кодом для научных вычислений, такие как numpy , scipy и scikit-learn , а его графический пользовательский интерфейс работает в рамках кроссплатформенной среды Qt .

Установка по умолчанию включает ряд алгоритмов машинного обучения, предварительной обработки и визуализации данных в 6 наборах виджетов (данные, преобразование, визуализация, моделирование, оценка и неконтролируемый). Дополнительные функции доступны в виде надстроек (текстовый анализ, анализ изображений, биоинформатика и т. д.).

Orange поддерживается в macOS , Windows и Linux , а также может быть установлен из репозитория Python Package Index ( pip install Orange3 ).

Особенности

Orange состоит из холстового интерфейса , на котором пользователь размещает виджеты и создает рабочий процесс анализа данных. Виджеты предлагают базовые функции, такие как чтение данных, отображение таблицы данных, выбор функций, обучение предикторов, сравнение алгоритмов обучения, визуализация элементов данных и т. д. Пользователь может в интерактивном режиме исследовать визуализации или передавать выбранное подмножество в другие виджеты.

Украшенная дендрограмма в Orange 3.

• Canvas : графический интерфейс для анализа данных.
• Виджеты :
  • Данные : виджеты для ввода данных, фильтрации данных, выборки, вменения, манипулирования функциями и выбора функций.
  • Визуализация : виджеты для общей визуализации (ящичная диаграмма, гистограммы, точечная диаграмма) и многомерной визуализации (мозаичное отображение, ситовая диаграмма).
  • Классифицировать : набор контролируемых алгоритмов машинного обучения для классификации.
  • Регрессия : набор контролируемых алгоритмов машинного обучения для регрессии.
  • Оценка : перекрестная проверка, процедуры на основе выборки, оценка надежности и оценка методов прогнозирования.
  • Без учителя : обучения без учителя алгоритмы для кластеризации (k-средние, иерархическая кластеризация) и методы проецирования данных (многомерное масштабирование, анализ главных компонентов, анализ соответствий).

Дополнения

Пользователи Orange могут расширить свой основной набор компонентов за счет компонентов в надстройках. Поддерживаемые дополнения включают в себя:

• Associate : компоненты для анализа часто встречающихся наборов элементов и изучения правил ассоциации .
• Биоинформатика : компоненты для анализа экспрессии генов, обогащения и доступа к базам данных экспрессии (например, Gene Expression Omnibus ) и библиотекам путей.
• Объединение данных : компоненты для объединения различных наборов данных , коллективной матричной факторизации и исследования скрытых факторов.
• Образовательные : компоненты для обучения концепциям машинного обучения, таким как кластеризация k-средних , полиномиальная регрессия , стохастический градиентный спуск ,...
• Объяснение : предоставляет расширение с компонентами для объяснения модели, включая значений Шепли . анализ
• Geo : компоненты для работы с геопространственными данными .
• Аналитика изображений : компоненты для работы с изображениями и ImageNet. встраиваниями
• Сеть : компоненты для графового и сетевого анализа .
• Интеллектуальный анализ текста : компоненты для обработки естественного языка и интеллектуального анализа текста .
• Временные ряды : компоненты виджета для временных рядов . анализа и моделирования
• Одноклеточный : поддержка анализа экспрессии генов в отдельных клетках, включая компоненты для загрузки данных об отдельных клетках, фильтрации и пакетного удаления эффектов, обнаружения маркерных генов, оценки клеток и генов, а также прогнозирования типов клеток.

  

  График Каплана-Мейера на основе данных Survival Analysis отображает кривые выживаемости и поддерживает интерактивный выбор случаев.

• Спектроскопия : компоненты для анализа и визуализации наборов (гипер)спектральных данных.
• Анализ выживания : дополнение для анализа данных, касающихся данных о выживании. Он включает виджеты для стандартных методов анализа выживаемости, таких как график Каплана-Мейера , регрессионная модель Кокса и несколько производных виджетов.
• World Happiness : поддержка загрузки социально-экономических данных из базы данных, включая ОЭСР и показатели мирового развития . Обеспечивает доступ к тысячам страновых показателей из различных экономических баз данных.
• Справедливость : дополнение для оценки и создания справедливых моделей машинного обучения без дискриминации. Виджеты варьируются от расчета показателей справедливости, таких как статистическая четность, до методов последующей, предварительной и внутренней обработки для построения справедливых моделей.

Цели

Программа предоставляет платформу для выбора экспериментов, систем рекомендаций и прогнозного моделирования и используется в биомедицине , биоинформатике , геномных исследованиях и преподавании. В науке он используется как платформа для тестирования новых алгоритмов машинного обучения и внедрения новых методов в генетике и биоинформатике. В образовании его использовали для обучения методам машинного обучения и интеллектуального анализа данных студентов биологии, биомедицины и информатики.

Расширения

Различные проекты основаны на Orange либо путем расширения основных компонентов с помощью надстроек, либо с использованием только Orange Canvas для использования реализованных функций визуального программирования и графического пользовательского интерфейса.

• OASYS — ORange Synchrotron Suite
• scOrange — биостатистика отдельных клеток
• Квазар — анализ данных в естественных науках

История

В 1996 году Люблянский университет и Институт Йожефа Стефана начали разработку ML*, среды машинного обучения на C++ , а в 1997 году для этой среды были разработаны привязки Python , которые вместе с появляющимися модулями Python образовали совместную структуру под названием Orange. В последующие годы большинство современных основных алгоритмов интеллектуального анализа данных и машинного обучения были реализованы в модулях C++ (ядро Orange) или Python.

• В 2002 году были разработаны первые прототипы для создания гибкого графического пользовательского интерфейса с использованием мегавиджетов Pmw Python .
• В 2003 году графический интерфейс пользователя был переработан и переработан для Qt платформы PyQt с использованием привязок Python. Была определена основа визуального программирования и началась разработка виджетов (графических компонентов конвейера анализа данных).
• расширения для анализа данных в биоинформатике . В 2005 году были созданы
• В 2008 году Mac OS X DMG и Fink . были разработаны установочные пакеты
• В 2009 году было создано и поддерживается более 100 виджетов.
• С 2009 года Orange находится в бета-версии 2.0, и на веб-сайте предлагаются установочные пакеты, основанные на ежедневном цикле компиляции.
• В 2012 году была введена новая иерархия объектов, заменившая старую структуру, основанную на модулях.
• В 2013 году произошла значительная модернизация графического пользовательского интерфейса, включившая новый набор инструментов и отображение рабочих процессов.
• В 2015 году вышел Orange 3.0. Orange хранит данные в массивах NumPy ; Алгоритмы машинного обучения в основном используют scikit-learn .
• В 2015 году было выпущено дополнение для анализа текста для Orange3.
• В 2016 году Orange находится в версии 3.3. В разработке используется ежемесячный цикл стабильных выпусков.
• В 2016 году началась разработка и выпуск надстройки Image Analytics с глубокими нейронными сетями на сервере для встраивания изображений.
• В 2017 году была представлена ​​надстройка «Спектроскопия» для анализа спектральных данных.
• В 2017 году было представлено дополнение Geo для работы с данными геолокации и визуализации географических карт.
• В 2018 году начата разработка и выпуск дополнения для анализа одноклеточных данных.
• В 2019 году графический интерфейс Orange разрабатывается как отдельный проект Orange-Canvas-Core.
• дополнение «Объяснение» с виджетами для объяснения модели классификации или регрессии В 2020 году представлено . В нем объясняется, какие функции вносят наибольший вклад и как они способствуют прогнозированию определенного класса.
• В 2022 году будет представлено дополнение World Happiness к пакету интеллектуального анализа данных Orange3. Он предоставляет виджеты для доступа к социально-экономическим данным из различных баз данных, таких как World Happiness Report , World Development Indicators , OECD.
• В 2022 году надстройка «Объяснение» расширена за счет графика индивидуального условного ожидания и метода важности функций перестановки.
• В 2023 году будет представлено дополнение Fairness. Благодаря виджетам для расчета показателей справедливости, а также виджетам для методов предварительной, последующей и внутренней обработки, он позволяет строить справедливые модели без дискриминации. <ссылка>

Дальнейшее чтение

• Демшар, Янез и Блаж Жупан, Плодотворный и увлекательный анализ данных – историческая перспектива , Informatica 37, стр. 55–60, (2013).

Внешние ссылки

• Официальный сайт
• ОАЗИС
• scОранжевый
• Квазар