Orange3实战教程：文本挖掘---语料库

于 2025-06-16 08:35:23 发布
阅读量142 收藏
点赞数 6
分类专栏： Orange3 实战教程 文章标签： 人工智能 数据挖掘 数据分析 机器学习 深度学习 自然语言处理 orange3中文版
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/err2008/article/details/148104314
版权

语料库

加载一个包含文本文档的语料库（可选择性标注类别），或更改输入信号以导入语料数据。

输入

  • 数据：输入数据（可选）

输出

  • 语料库：一组文档的集合。

语料库组件 有两种工作模式：

  1. 无输入数据时：
    从文件中读取文本语料库，并通过输出通道发送语料库实例。组件会维护最近打开文件的历史记录，并附带预装的示例语料库目录。支持的文件格式包括：

    • Excel (.xlsx)
    • 逗号分隔文件 (.csv)
    • 原生制表符分隔文件 (.tab)

  2. 有输入数据时：
    将输入数据转换为语料库。用户可指定哪些特征作为文本特征使用。

界面功能说明：

    <
了解本专栏 订阅专栏 解锁全文 超级会员免费看
Orange3实战教程：文本挖掘---创建语料库
err2008的专栏
06-13 12
“创建语料库”是一个便捷的工具，用于生成和管理文档样本。用户可以通过手动输入或从剪贴板粘贴内容来创建语料库，适用于教育或文档预测场景。工具界面支持添加新文档、删除文档以及输入文档内容，操作简单直观。示例展示了如何输入三个新文档并通过“语料库查看器”显示它们，帮助用户快速构建和查看语料库。
Orange3实战教程：实例---文本预处理
err2008的专栏
04-09 52
文本挖掘需要仔细的预处理。下面是一个使用简单的预处理从文档创建tokens的工作流。首先，它应用小写，然后将文本拆分为单词，最后，它删除频繁的非索引词。预处理是特定于语言的，因此在需要时将语言更改为文本的语言。预处理的结果可以在词汇云中观察。双击 词汇云 组件，便可观察到最频繁的tokens：在对话框的左边能看到词汇的权重和词汇名称，通过选项也可以调整颜色和倾斜度。
Orange3实战教程：实例---文本分类
err2008的专栏
04-09 246
我们可以使用预测模型按作者、类型、情感等对文档进行分类。在此工作流中，我们根据文档的Aarne Thompshon Uther索引对文档进行归类，这是故事的主题定义。我们使用两个简单的学习器，Logistic回归和朴素贝叶斯，两者都可以在诺谟图中检查。然后再从可视化分类中添加列线图组件，观察哪些词对逻辑回归最重要。也可以尝试使用在朴素贝叶斯模型上，并编辑连线属性。再从模型中添加朴素贝叶斯模型，以尝试不同的学习器。
Orange3实战教程：实例---文本聚类
err2008的专栏
04-09 42
工作流将Grimm的故事语料库聚集在一起。我们首先对数据进行预处理，构建词包矩阵，然后计算文档之间的余弦距离，并使用层次聚类来显示树状图。我们观察到故障类型与MDS中的集群对应的程度。同样的方法，连接分层聚类组件，以迭代方式对文档进行聚类。观察如何在树状图中执行聚类。通过文档的相似程度来比较它们。编辑连接：选择选中的数据连接到多维分析的数据。
Orange3实战教程：文本挖掘---导入文档
最新发布
err2008的专栏
06-16 6
本文介绍了如何从本地文件夹导入文本文档以创建语料库，支持多种文件格式如 .txt、.docx、.pdf 等。导入过程中，无法读取的文件会被跳过，而成功导入的文件将构成语料库。特别地，自 Text 1.5.0 版本起，Orange 支持处理 .conllu 文件，将其中的词元、词性标签和命名实体作为标记添加到语料库。操作步骤包括选择文件夹、加载数据，并可通过「语料库查看器」查看内容。示例展示了如何通过子文件夹对文档进行分类，子文件夹名称将作为类别标签。
Orange3实战教程：数据类--文件
err2008的专栏
03-27 146
（包含数据实例的表格）并将数据集发送至输出通道。该组件会保留最近打开文件的历史记录，并预装包含Orange的示例数据集。下方示例中，数据被同时发送至[[数据表]]和[[箱线图]]组件。其他格式见下方“其他格式”部分。从输入文件中读取属性-值数据。更多细节请参考[官方文档]支持格式：Excel (Orange工作流通常以。)、制表符分隔文件 ()、逗号分隔文件 (
Orange3实战教程：无监督---距离计算
err2008的专栏
05-14 27
“距离”小部件用于计算数据集中行或列之间的距离，生成距离矩阵。默认情况下，数据会进行归一化处理，确保各特征被平等对待。稀疏数据仅支持欧几里得、曼哈顿和余弦距离度量。距离矩阵可用于层次聚类、距离热图、MDS（多维缩放）等场景，也可与Orange插件协同使用，如生成网络或重复检测。配置步骤包括选择计算方向、距离度量和是否自动应用。示例展示了如何计算行间或列间距离，并通过可视化工具展示数据相似性。
Orange3 实战教程 总目录
err2008的专栏
03-28 1058
Orange3 是一款以 可视化编程 为核心的数据挖掘和机器学习工具，其界面设计直观且模块化，用户通过拖放组件（Widgets）构建数据分析流程。通过平台上的工作流，自己训练、评估和使用模型。
Orange3 实战教程 目录
err2008的专栏
03-28 381
Orange3 是一款以 可视化编程 为核心的数据挖掘和机器学习工具，其界面设计直观且模块化，用户通过拖放组件（Widgets）构建数据分析流程。通过平台上的工作流，自己训练和评估模型。
大模型工作流Dify面试题及参考答案
大模型大数据攻城狮的专栏
06-12 836
设计一个基于 Dify 的智能摘要与重点提取 Agent，需结合Prompt 工程、模型能力配置和工作流优化，确保对长文本的高效解析和关键信息提炼。1. 明确任务需求与输入输出输入：长文本内容（如文章、报告、会议记录）或文本 URL输出摘要：简洁概括原文核心内容，控制在原文长度的 10%-20%重点列表：分点列出关键数据、结论、行动项等可选：关键词提取、情感倾向分析示例场景输入：一篇 5000 字的行业报告。
OmniMeetProTrack 全维会议链智能追录系统——山东大学软件学院创新实训项目博客（六）
jinrissq的博客
06-15 800
完整的项目博客介绍
相关类可视化图像总结
2201_75563414的博客
06-15 558
本文介绍了6种常见的数据相关性可视化方法：1）散点图用于分析两变量相关性；2）气泡图通过气泡大小展示三维数据；3）相关图用热力图形式呈现变量相关系数矩阵；4）热力图直观显示二维数据分布；5）二维密度图展示大数据量分布密度；6）平行坐标图可视化多维数据模式。每种方法均配有Python实现代码及应用场景说明，适用于不同维度和规模的数据相关性分析，帮助快速识别变量间关系模式。
一分钟介绍Kubernetes
jackson_lingua的博客
06-15 609
Kubernetes是由Google开发的开源容器编排平台，用于自动化管理容器化应用的部署、扩展和运维。其核心特点包括集群管理、自我修复、弹性伸缩、声明式配置和服务发现等。Kubernetes采用主从架构，核心组件包含etcd存储、Kubelet和Kube-proxy。与Docker不同，Kubernetes专注于容器集群管理和编排。通过YAML文件定义应用状态，可实现快速部署。作为云原生应用的事实标准，Kubernetes由CNCF管理，已成为现代化分布式系统的重要基础设施。
循环神经网络及其变体
2404_82622750的博客
06-15 194
【代码】循环神经网络及其变体。
为什么在自动微分操作中要设置梯度清零
weixin_67868534的博客
06-13 444
为什么要设置梯度清零？获取x点的梯度值: x.grad,会使梯度值不断累加，导致梯度爆炸，所以需要设置清零操作
二维张量dim=1
GHL_17768588743的博客
06-11 1199
在PyTorch中处理二维张量（矩阵）时，‌dim=1‌，也就是逐行处理每一行的所有列元素。
扣子开发汽车行业智能客服示例
brucexia的专栏
06-11 1744
在本节中，我们想要创建一个AI客服，用于介绍汽车领域的行业知识，因此需要利用知识库的能力。首先，梳理汽车行业知识，形成FAQ（常见问题解答）。然后，将其上传到知识库中。最后，将知识库配置到AI Agent智能体中，使其能够调用知识库的内容作为回复。完成以上步骤之后，当用户咨询Agent有关汽车领域知识的问题时，Agent将根据FAQ的内容进行回答。传统的机器人客服只能生硬地套用FAQ，缺乏灵活性。
SpringAI+DeepSeek大模型应用开发——6基于MongDB持久化对话
欢迎来到空说的博客
06-15 293
持久化对话实现方案 本文介绍了如何将聊天消息从内存存储转移到持久化存储的方案。主要内容包括： MongoDB选择：分析了文档型数据库MongoDB在存储半结构化聊天数据时的优势，特别适合多样化的消息格式。 技术实现： 通过Spring Boot整合MongoDB 设计ChatMessages实体类映射数据库文档 开发MessageSerializer序列化器处理消息转换 实现MongoChatMemory持久化类完成存储逻辑 核心功能：实现了消息的序列化/反序列化，支持多态消息类型处理，确保
[深度学习]目标检测基础
weixin_73049545的博客
06-15 439
本文介绍了基于Python的目标检测实验，主要包含边界框、锚框和多尺度目标检测的实现。实验使用PyTorch框架，在Baidu飞桨AIStudio环境下进行。第一部分实现了边界框的两种表示方法转换（角点与中心点）及可视化；第二部分重点研究锚框生成、交并比计算、边界框分配和非极大值抑制等关键算法；第三部分探讨了多尺度特征映射对目标检测效果的影响。实验结果表明，合理设置锚框参数和特征映射尺度对提高检测精度至关重要。文章还对边界框维度、锚框参数调整等问题进行了理论分析，为理解目标检测算法提供了实践基础。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

err2008

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值