Orange3数据转换(数据采样组件)

组件介绍：

固定数据比例（Fixed proportion of data） 返回整个数据的选定百分比

固定样本量(Fixed sample size)  返回选定数量的数据实例，并可以设置 Sample with replacement(替换样本)，该替换样本始终从整个数据集中进行采样（不减去子集中已有的实例）。 通过替换，您可以生成比输入数据集中更多的实例。

交叉验证(Cross validation) 将数据实例划分为指定数量的互补子集。交叉验证是一种评估机器学习模型性能的常用方法，其作用是通过将数据集分为几个互斥的子集（称作“fold”），然后对模型进行多次训练和测试，以评估其泛化能力。

自助采样(Bootstrap) 是一种常用的数据采样类型，它的作用在于用于建立稳健性较强的机器学习模型。

Bootstrap是一种有放回的重新采样方法，它会从原始数据集中随机采集一定量的样本，重复地采样多次，从而得到一组新的采样数据集。

这些新的采样数据集与原始数据集具有相同的大小，但由于采集方式不同，它们的样本和特征分布可能会有所不同，有助于减小因数据分布不均而导致的误差。

具体而言，使用Bootstrap方法可以补偿数据集样本数量不足，增加样本量；对于样本分布不平衡的情况，

可以采用Bootstrap来提高少数类别样本数量，从而避免由于类别不均造成的分类偏差；Bootstrap还可以用来模拟样本数量少的情况，从而评估机器学习模型的泛化能力。

在Orange3中，Bootstrap采样作为数据采样类型可用于构建机器学习模型时，

例如Classification Tree、Random Forest、Boo