包含PFA、PMML和ONNX（即将推出）模型的计分引擎小部件的插件
orange3-scoring的Python项目详细描述
Orange3得分
这是Orange3的评分/推理插件。此附加组件将小部件添加到 加载PMML和PFA模型 和分数数据。在
依赖关系
要使用PMML模型，请确保已安装Java：
- Java>；=1.8
- pypmml（安装期间下载）
使用PFA模型：
- titus2（安装期间下载）
安装
要使用pip安装附加组件，请运行
pip install orange3-scoring
使用Orange注册此加载项，但将代码保存在开发目录中（不要将其复制到 Python的site packages目录），运行
^{pr2}$问题、问题和功能请求
请提出问题/问题/请求here。在
发展
想做贡献吗？太好了！在
请提出一个issue来讨论你的想法并发送一个pull request。在
使用
安装后，此附加组件中的小部件将注册到Orange。从终点站运行Orange， 使用
python -m Orange.canvas
新的小部件出现在工具箱中Scoring部分下。在
拖放Load PMML/PFA Model小部件。在
加载PMML模型并检查输入和输出字段。示例PMML文件here。在
使用File小部件（iris）添加输入数据集，并将两个小部件连接到Evaluate PMML/PFA Model小部件。您可以检查数据和模型中的字段，并查看处理信息或错误。在
现在点击Score按钮得分。在
将输出连接到Data Table小部件以查看结果。对每个输入记录获得的数据评分后，将添加3个新列（cluster、cluster_name&distance）。数据中的实际类值也会转换为结果表的元数据。在
现在让我们加载一个PFA模型。示例PFA文件here。在
使用新的PFA模型对数据进行评分。在
现在点击Score按钮得分。在
查看结果。您可以看到PFA模型提供的iris的预测类。在
生成另一个输出信号，它包含Evaluation Results，它可以连接到Confusion Matrix、ROC Analysis和{Confusion Matrix小部件，以查看预测结果和实际结果的差异。在
- 项目
标签：
欢迎加入QQ群-->： 979659372
