oange（Not Origin）在Anaconda浏览器中安装GUI版本，或者在Python中安装（pip install Orange3）。origin比orange早个三四年。
下面的例子是Orange3 GUI版本中的。

Iris鸢尾花数据集，三种花，每朵花有四个属性，即每个数据为一个四维向量

https://orangedatamining.com/widget-catalog/

File and Data Table

File Widget：读取文件
Data Table Widget：显示表格
Widget左边为输入，右边为输出，两个Widget连线（channel）为前一个Widget将数据流向下一个Widget

增加一个Data Table Widget

双击channel可以选择

Selected Data与Data连线：会在Data Table (1)?中显示Data Table中选择数据
Data与Data连续：会在Data Table (1)?中显示Data Table中所有数据

Interactive Visualizations交互可视化

增加一个Box Plot Widget

双击Scatter Plot，点击拖拉选择数据，则在Data Table 与 Box Plot中可显示

注：
箭头与注释在左下角

Visualization of Data Subsets子集可视化

在Data Table中点击拖拉选择数据(Ctrl键)，在Scatter Plot会标记出选择的数据

Classification Tree分类树

Classification Tree将数据分类，并在Viewer中显示。
在Viewer中单击选择数据，在Scatter Plot会标记出选择的数据，在Box Plot会显示

注：决策树包括回归树、分类树、CART（分类与回归树）

Principal Component Analysis主成分分析

将文件更换为Iris数据集
双击PCA widget选择主成分分量的个数

利用PCA，可将四种属性进行降低，比如降成三种属性。降低并不是删掉一种属性即可，而是进行空间变换。
如20朵花的数据为20X4的矩阵，将其降为20X3的矩阵，并不是删去一列，而是找一个4X3矩阵相乘得到20X3的矩阵。

注：pca经常用于数据降维

Hierarchical Clustering层次聚类

计算每个数据间的距离，利用距离来分类

dendrogram树状图
distance map距离图

注：分类与聚类
分类：通过带标签的训练数据训练出分类器，不带标签的新数据通过分类器后被分类
聚类：对不带标签的数据进行分类

Feature Ranking特征排序

Impute widget将数据中的缺失值补全
Rank widget将特征进行排名

Cross-Validation交叉验证

?

Test&Score进行交叉验证
数据在三种分类器中通过交叉验证进行学习
Confusion Matrix混淆矩阵或误差矩阵，来评估结果

Where are Misclassification？查看分类错误

在混淆矩阵中点击分错的数据，可以在Scatter Plot中显示出来