图 描述网络创建过程的工作流程——首先，我们使 这种方法使评估更容 用 Network Creator 节点创建一个空网络，可以使用 Object Inserter 填充新节点和边。之后，我们预测 ATC 代码并为网络内的节点创建可视属性（颜色和形状）。可以使用 Feature Inserter 节点添 这种方法使评估更容 加这些属性。完成后，我们使用 Network Viewer JS（隐藏在 View 组件中）可视化网络。
现在可以使用该网络预测药物的 ATC 代码
对于我们新发现的每种药物名称，我们都会进 电话号码数据 行多数投票，这意味着我们设置“未知”药物附近最常出现的 ATC 代码。为了便于可视化，网络中的所有药物都基于 ATC 代码的第一级进行着色。此外，新检测到的药物分别显示为正方形和已知药物，分别显示为圆形。这有助于评估和理解 ATC 代码的预测。如前所述，我们的初始列表有大约 800 个药物名称，新发现实体的列表包含 750 种药物。因此，总的来说，网络中有相当多的节点，这使得视 如何在线回应负面的谷歌评论 图相当混乱。为了避免这种情况，我将在下一节中向您展示如何提取相关子图来评估和理解预测。
提取有趣的子图
图 描述提取小型连通分量以调查预测过程的工作流程-从 KNIME Hub 下载提取子图工作流程 这里。
为了详细研究预测结果，我们可以使用新检测药物 药物 邮寄线索 名称来创 的连接组件。首先，我们从网络中删除初始药物列表中的所有药物，以获得一组仅包含新识别药物的网络节点。然后，我们重新添加所有之前过滤过的药物，这些药物位于我们正在查看的组件的第一个药物邻域中。最后，每个连接组件由一组同时出现的新检测药物名称 及其 来自初始网络的邻居组成。 ，因为我们首先从初始药物列表中过滤掉大部分倾向于与大量药物相关的药物，然后将它们重新添加到一组较小的未知药物中。