際際滷

際際滷Share a Scribd company logo

Orange felice russo

Download as PPTX, PDF
Felice Russo
Felice Russo

Orange software introduction

1 of 38
Download to read offline
Felice Russo Santa Margherita Ligure 13 Marzo 2015
Storia 1996 University of Ljubljana and Jo転ef Stefan Institute started development of ML*, a machine learning framework in C++. 1997 Python integration layer 2003 GUI based on PyQt In 2009- over 100 widgets were created and maintained. 2013 Orange Canvas 2.7 released Major GUI redesign. Source: http://en.wikipedia.org/wiki/Orange_%28software%29
Perche usare Orange? Non e necessaria nessuna conoscenza di programmazione Programazzione visuale Ottima visualizzazione dei dati Facile da usare Add-ons per Bioinformatica Network Analysis Text mining Free and open source software
Installazione Download installer from http://orange.biolab.si/ Run installer Requires Python 2.6 or 2.7 Includes NumPy, SciPy, PyQt, other required libraries To run, double-click on the Orange Canvas icon
Scheme Widgets Orange usa i widgets che sono dei blocchi pre-costruiti di data analisi. In questo caso abbiamo il file widget connesso al data table widget . Questultimo mostra i dati in forma tabellare. Per ogni widget abbiamo 2 束orecchie損 per le connessioni. Canvas
Interfaccia di partenza
Orange felice russo
Orange felice russo
Orange felice russo
Orange felice russo
Orange felice russo
Orange felice russo
Orange felice russo
Orange felice russo
Esempio di schema per decision tree
Demo Esempio di classificazione con data set IRIS Esempio di classificazione con data set WINE Esempio di Na誰ve Bayes con data set TITANIC Esempio di classificazione con data set INSETTI Esempio di Naive Bayes con data set FIBROMA Esempio di classificazione con il data set INCENDI Esempio di clustering con il dat set ZOO
Iris Un problema famoso R. A. Fishers Iris Dataset. 3 classi 50 esempi per ogni classe La task e' quella di classificare le piante Iris in 3 varieta' usando la lunghezza dei petali e la larghezza dei petali. Iris Setosa Iris Versicolor Iris Virginica
Iris Utilizzati tre classificatori: - SOM - Decision Tree - SVM SOM Visualizer : per vedere la mappa di Kohonen Tree Grpah: per vedere lalbero decisionale Widget Predictions: per verificare le performance della SVM Widget Test Learner : per verificare laccuratezza dei 3 classificatori
Wine Relevant Information: Questi dati sono il risultato di analisi chimiche di vini della stessa regione Italiana ma provenienti da 3 diverse coltivazioni. L'analisi ha misurato 13 costituenti del vino. -- Attributi 1) Alcol 2) Acido malico 3) Ash 4) Alcalinity of ash 5) Magnesio 6) Fenoli 7) Flavonoidi 8) Fenoli non flavanoidi 9) Proantocianidine 10) Intensita' colore 11) colore 12)OD280/OD315 diluiti nel vino 13)Prolina Records class 1 59 class 2 71 class 3 48
Wine Classificazione effettuata con una rete NN e una SOM Per la valutazione delle performance e stato usato il widget Test Learners con RIOC curve e confusion matrix Il widget Select Attribute serve a definire gli attributi (o predittori) e la classe (o risposta).
Wine Per lSOM possiamo notare che il vino 1 e quello che ha i livelli di alchool piu alti mentre il vino 2 e quello con i livelli di alchool piu bassi Alchool level
Titanic Per ogni persona a bordo del Titanic e riportato il sesso, eta (bambino, adulto) lo stato economico (prima, seconda, terza classe ed equipaggio) e se e sopravvisuta. SOURCE: "Report on the Loss of the `Titanic' (S.S.)" (1990), _British Board of Trade Inquiry Report_ (reprint), Gloucester, UK: Allan Sutton Publishing.
Titanic La probabilita di sopravvivenza dei bambini indipendentemente dal sesso e del loro stato sociale e stata del 52 %. Scegliendo le bambine questa sale all 86%.
Insetti Data una collezione di insetti con 5 esempi di grilli e di 5 esempi di cavallette, decidere che tipo di insetto e' quello riportato sotto: grillo o cavalletta?
Insetti Esempio non visto prima
Insetti
Insetti Linsetto e un grillo! Classificatore lineare Regole
Insetti Predizione automatica Due records non utilizzati per il training e correttamente classificati dal modello.File csv di input
Fibroma Stabilire la probabilita di avere un certo numero di fibromi a partire dai sintomi riportati dalle clienti ai ginecologi Si tratta di prevedere il numero di potenziali fibroidi a partire dalla presenza o no di emorragia, dolori pelvici, mal di schiena e frequenza dellurinazione.
Fibroma Importanza assoluta dei predittori
Fibroma Probabilita intorno al 20% di avere multipli fibromi cono dolore pelvico presente e frequente urinazione La probabilita passa a piu del 40% se si aggiunge la presenza di emorragia.
Incendi foreste Gli incendi delle foreste costituiscono un serie pericolo per le vite umani, per leconomia di una regione e per lecologia. Questo fenomeno e legato a causa multiple e nonostante gli sforzi delle nazioni per controllare questio disastri ogni anno milioni di ettari di foeste vanno in fumo. Dati raccolti per il parco portoghese di Monteshino da Jan. 2000 a Dec 2003
Incendi foreste Frequenza area fortemente skewed Trasformazione: Log(area+1) Si avvicina piu ad una normale migliorando i risultati del DM
Incendi I dati sono stati discretizzati e i classificatori valutati una volta considerando la variabile risposta trasformata Log(x+1) (riga sotto) e una volta la variabile risposta non trasformata (riga sopra)
Zoo Questo data base contiene 16 attributi e due classi, il tipo di animale e il suo nome. Qui di seguito una parte dellintero database.
Zoo Viene utilizzato il classificatore di clustering una volta calcolata la distanza di similarita per quello gerarchico.
Risorse Orange Website: http://orange.biolab.si/ Tutorials: http://www.biolab.si/janez/kyoto/ Interactive Network Analysis with Orange http://www.jstatsoft.org/v53/i06 Orange Whitepaper with scripting examples http://www.celta.paris- sorbonne.fr/anasem/papers/miscelanea/InteractiveDataMining.pdf
Orange felice russo

More Related Content

Orange felice russo

  • 1. Felice Russo Santa Margherita Ligure 13 Marzo 2015
  • 2. Storia 1996 University of Ljubljana and Jo転ef Stefan Institute started development of ML*, a machine learning framework in C++. 1997 Python integration layer 2003 GUI based on PyQt In 2009- over 100 widgets were created and maintained. 2013 Orange Canvas 2.7 released Major GUI redesign. Source: http://en.wikipedia.org/wiki/Orange_%28software%29
  • 3. Perche usare Orange? Non e necessaria nessuna conoscenza di programmazione Programazzione visuale Ottima visualizzazione dei dati Facile da usare Add-ons per Bioinformatica Network Analysis Text mining Free and open source software
  • 4. Installazione Download installer from http://orange.biolab.si/ Run installer Requires Python 2.6 or 2.7 Includes NumPy, SciPy, PyQt, other required libraries To run, double-click on the Orange Canvas icon
  • 5. Scheme Widgets Orange usa i widgets che sono dei blocchi pre-costruiti di data analisi. In questo caso abbiamo il file widget connesso al data table widget . Questultimo mostra i dati in forma tabellare. Per ogni widget abbiamo 2 束orecchie損 per le connessioni. Canvas
  • 15. Esempio di schema per decision tree
  • 16. Demo Esempio di classificazione con data set IRIS Esempio di classificazione con data set WINE Esempio di Na誰ve Bayes con data set TITANIC Esempio di classificazione con data set INSETTI Esempio di Naive Bayes con data set FIBROMA Esempio di classificazione con il data set INCENDI Esempio di clustering con il dat set ZOO
  • 17. Iris Un problema famoso R. A. Fishers Iris Dataset. 3 classi 50 esempi per ogni classe La task e' quella di classificare le piante Iris in 3 varieta' usando la lunghezza dei petali e la larghezza dei petali. Iris Setosa Iris Versicolor Iris Virginica
  • 18. Iris Utilizzati tre classificatori: - SOM - Decision Tree - SVM SOM Visualizer : per vedere la mappa di Kohonen Tree Grpah: per vedere lalbero decisionale Widget Predictions: per verificare le performance della SVM Widget Test Learner : per verificare laccuratezza dei 3 classificatori
  • 19. Wine Relevant Information: Questi dati sono il risultato di analisi chimiche di vini della stessa regione Italiana ma provenienti da 3 diverse coltivazioni. L'analisi ha misurato 13 costituenti del vino. -- Attributi 1) Alcol 2) Acido malico 3) Ash 4) Alcalinity of ash 5) Magnesio 6) Fenoli 7) Flavonoidi 8) Fenoli non flavanoidi 9) Proantocianidine 10) Intensita' colore 11) colore 12)OD280/OD315 diluiti nel vino 13)Prolina Records class 1 59 class 2 71 class 3 48
  • 20. Wine Classificazione effettuata con una rete NN e una SOM Per la valutazione delle performance e stato usato il widget Test Learners con RIOC curve e confusion matrix Il widget Select Attribute serve a definire gli attributi (o predittori) e la classe (o risposta).
  • 21. Wine Per lSOM possiamo notare che il vino 1 e quello che ha i livelli di alchool piu alti mentre il vino 2 e quello con i livelli di alchool piu bassi Alchool level
  • 22. Titanic Per ogni persona a bordo del Titanic e riportato il sesso, eta (bambino, adulto) lo stato economico (prima, seconda, terza classe ed equipaggio) e se e sopravvisuta. SOURCE: "Report on the Loss of the `Titanic' (S.S.)" (1990), _British Board of Trade Inquiry Report_ (reprint), Gloucester, UK: Allan Sutton Publishing.
  • 23. Titanic La probabilita di sopravvivenza dei bambini indipendentemente dal sesso e del loro stato sociale e stata del 52 %. Scegliendo le bambine questa sale all 86%.
  • 24. Insetti Data una collezione di insetti con 5 esempi di grilli e di 5 esempi di cavallette, decidere che tipo di insetto e' quello riportato sotto: grillo o cavalletta?
  • 27. Insetti Linsetto e un grillo! Classificatore lineare Regole
  • 28. Insetti Predizione automatica Due records non utilizzati per il training e correttamente classificati dal modello.File csv di input
  • 29. Fibroma Stabilire la probabilita di avere un certo numero di fibromi a partire dai sintomi riportati dalle clienti ai ginecologi Si tratta di prevedere il numero di potenziali fibroidi a partire dalla presenza o no di emorragia, dolori pelvici, mal di schiena e frequenza dellurinazione.
  • 31. Fibroma Probabilita intorno al 20% di avere multipli fibromi cono dolore pelvico presente e frequente urinazione La probabilita passa a piu del 40% se si aggiunge la presenza di emorragia.
  • 32. Incendi foreste Gli incendi delle foreste costituiscono un serie pericolo per le vite umani, per leconomia di una regione e per lecologia. Questo fenomeno e legato a causa multiple e nonostante gli sforzi delle nazioni per controllare questio disastri ogni anno milioni di ettari di foeste vanno in fumo. Dati raccolti per il parco portoghese di Monteshino da Jan. 2000 a Dec 2003
  • 33. Incendi foreste Frequenza area fortemente skewed Trasformazione: Log(area+1) Si avvicina piu ad una normale migliorando i risultati del DM
  • 34. Incendi I dati sono stati discretizzati e i classificatori valutati una volta considerando la variabile risposta trasformata Log(x+1) (riga sotto) e una volta la variabile risposta non trasformata (riga sopra)
  • 35. Zoo Questo data base contiene 16 attributi e due classi, il tipo di animale e il suo nome. Qui di seguito una parte dellintero database.
  • 36. Zoo Viene utilizzato il classificatore di clustering una volta calcolata la distanza di similarita per quello gerarchico.
  • 37. Risorse Orange Website: http://orange.biolab.si/ Tutorials: http://www.biolab.si/janez/kyoto/ Interactive Network Analysis with Orange http://www.jstatsoft.org/v53/i06 Orange Whitepaper with scripting examples http://www.celta.paris- sorbonne.fr/anasem/papers/miscelanea/InteractiveDataMining.pdf