[br] 将校园点餐平台数据集作为 Orange 用例。本数据集的相关参数如下：[color=#0000ff][b]数据下载[/b][/color]请扫码下面的二维码。[br][br][br] Data instances：5014。[br][br] Features：门店名称、订单号、楼号、房号、下单时间、年、月、日、时、午餐/晚餐、最高、最低、温差、均温、温区、气象、价格、价位（total：18 features）。 [img]https://s21.ax1x.com/2025/02/11/pEnWkCt.jpg[/img][br][br] Target：荤/素、米/面。[br][br] Meta attributes：菜品。[br][br] 本次 Orange 用例的目的是期望在温度、气象、价位、午餐/晚餐这四个特征变量的“加持”下，生成学生选择荤/素或米/面的分类器。[br][br] 应用朴素贝叶斯算法是本用例的重点，但为了增强比较性，我们同时应用了随机森林和逻辑回归这两个算法作为贝叶斯算法的背景。因其“朴素”，所以整个 Orange 算法流程图也相当“简约”，如图 2-3-2 所示。

打开 Test and Score 参数窗口，三种算法的评测指标如图 2-3-3 所示。[br][br][center][img]https://s21.ax1x.com/2025/02/11/pEnWgqe.jpg[/img][br]图2-3-3 三种算法的评测指标[/center]

[br] 图 2-3-3 显示，三种算法对荤/素的分类准确度相当接近，都达到 80%以上，虽然都不是非常理想的分类器，但作为学校根据天气条件及用餐时段大体判断荤/素比例，以便于做出相应的食材准备，这个决策信息还是可用的。[br] [br][size=100] 下边给出此Orange用例的三个散点图，如图2-3-4所示，左图片呈现的是正确分类数据集，中间图片呈现的是错误分类数据集，右图片呈现的是全部分类数据集。[br][br][table][tr][td][img]https://s21.ax1x.com/2025/02/11/pEnWIRP.png[/img][/td][td][img]https://s21.ax1x.com/2025/02/11/pEnWoxf.png[/img][/td][td][img]https://s21.ax1x.com/2025/02/11/pEnWHsS.png[/img][/td][/tr][/table][/size][br] 图2-3-4 Orange用例的三个散点图[br]

[br] 配套资源[b][color=#0000ff][url=https://pan.baidu.com/disk/main?_at_=1665105977723#/index?category=all&path=%2F%E9%85%8D%E5%A5%97%E8%B5%84%E6%BA%90%E4%B8%8B%E8%BD%BD%2Fnaive%20beyasian]下载地址[/url][icon]/images/ggb/toolbar/mode_zoomin.png[/icon][/color][/b]。