Laktawan sa pangunahing nilalaman

Mga kontribusyon

Ipinapakita ang mga post na may label visual na programming

Orange 3 at Visual Programming

Ang Orange ay isang mahusay na tool sa pagmimina ng data para sa parehong mga nagsisimula at siyentipiko na may data ng dalubhasa. Sa pamamagitan ng interface ng gumagamit nito, ang mga gumagamit ay maaaring tumuon sa pagsusuri ng data sa halip na mahigpit na coding, na pinapasimple ang disenyo ng mga komplikadong pipeline ng pagsusuri ng data. Ang pagmimina ng data batay sa mga sangkap Sa Orange, ang pagsusuri ng data ay isinasagawa sa pamamagitan ng pag-stack ng mga sangkap sa mga workflows. Ang bawat sangkap, na tinatawag na isang widget, ay naglalaman ng isang gawain ng pagkuha ng data, preprocessing, visualization, pagmomolde, o pagsusuri. Ang pagsasama-sama ng iba't ibang mga widget sa isang daloy ng trabaho ay nagbibigay-daan sa iyo upang lumikha ng mga komplikadong mga scheme ng pagsusuri ng data nang mabilis. Sa isang malaking library ng widget, wala kang pagpipilian. Ang mga karagdagang mga widget ay magagamit sa pamamagitan ng mga add-on upang magbigay ng mas nakatuon at may temang pananaliksik. Mga Pakikipag-ugnay ng Pakikipag-ugnay ng DataMag-ugnay ng mga widget na makipag-usap sa bawat isa. Tumatanggap sila ng data ng pag-input at nagpapadala ng na-filter o naproseso na data, mga modelo, o anumang ginagawa ng widget sa output. Sabihin nating magsimula sa isang folder ng File na nagbabasa ng data at naka-attach ...

Orange 3 neural network

Multilayer perceptron (MLP) algorithm na may pabalik na pagpapalaganap.
Mga Input Data: input data fileProcessor: mga pamamaraan ng preprocessingMga output Estudyante: algorithm ng pag-aaral ng multilayerModel: sanay na modeloNeural Network Ang Widget ay gumagamit ng Skearn Multi-layer perceptron algorithm na maaaring magturo ng mga non-linear na mga modelo pati na rin ang linear.

Ang pangalan kung saan lilitaw ito sa iba pang mga widget. Ang default na pangalan ay "Neural Network". Itakda ang mga parameter ng modelo: Ang mga neuron sa nakatagong layer: Tinukoy bilang elemento ng i-th ay kumakatawan sa bilang ng mga neuron sa nakatagong layer ng i-th. Hal. Ang isang 3-layer na neural network ay maaaring matukoy bilang 2, 3, 2. Mga Nakatagong Layer Aktibidad sa Pag-activate: Pagkakakilanlan: hindi pinag-iingat na pag-activate, kapaki-pakinabang para sa pagpapatupad ng isang linear na bottleneck. -BFGS-B: optimizer sa pamilyang Quasi-NewtonianSGD: stochastic gradient descentAdam: stochastic optimizer batay sa ...