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: