Orange: Constant - Revision history

Onnowpurbo: /* Referensi */

2020-04-09T23:42:08Z

Referensi

← Older revision		Revision as of 23:42, 9 April 2020
Line 40:		Line 40:

	[[File:Constant-regression.png\|center\|600px\|thumb]]		[[File:Constant-regression.png\|center\|600px\|thumb]]

			==Youtube==

			* [https://www.youtube.com/watch?v=8c1jQkI8NCY YOUTUBE: Model Constant & CN2 Rule Inducer]

	==Referensi==		==Referensi==

Onnowpurbo: /* Contoh */

2020-04-09T21:10:21Z

Contoh

← Older revision		Revision as of 21:10, 9 April 2020
Line 35:		Line 35:
	Dalam contoh klasifikasi tipikal, kita akan menggunakan widget contant ini untuk membandingkan skor algoritma learner lainnya (seperti kNN) dengan skor default. Gunakan dataset iris dan connect ke Test & Score. Kemudian hubungkan Constant dan kNN ke Test & Score dan amati seberapa baik kinerja kNN terhadap baseline Constant.		Dalam contoh klasifikasi tipikal, kita akan menggunakan widget contant ini untuk membandingkan skor algoritma learner lainnya (seperti kNN) dengan skor default. Gunakan dataset iris dan connect ke Test & Score. Kemudian hubungkan Constant dan kNN ke Test & Score dan amati seberapa baik kinerja kNN terhadap baseline Constant.

	[[File:Constant-classification.png\|center\|~~200px~~\|thumb]]		[[File:Constant-classification.png\|center\|600px\|thumb]]

	Dalam penggunakan Widget Constant untuk regresi, kita menggunakan Widget Constant untuk membuat prediktor dalam Prediction. Kita menggunakan dataset housing. Dalam Prediction, kita dapat melihat bahwa Mean Learner mengembalikan satu (rata-rata) nilai untuk semua instance.		Dalam penggunakan Widget Constant untuk regresi, kita menggunakan Widget Constant untuk membuat prediktor dalam Prediction. Kita menggunakan dataset housing. Dalam Prediction, kita dapat melihat bahwa Mean Learner mengembalikan satu (rata-rata) nilai untuk semua instance.

	[[File:Constant-regression.png\|center\|~~200px~~\|thumb]]		[[File:Constant-regression.png\|center\|600px\|thumb]]

	==Referensi==		==Referensi==

Onnowpurbo: /* Output */

2020-02-27T01:18:01Z

Output

← Older revision		Revision as of 01:18, 27 February 2020
Line 14:		Line 14:
	Model: trained model		Model: trained model

	Learner ~~ini~~ akan menghasilkan model yang selalu memprediksi mayoritas untuk classification atau nilai rata-rata untuk regresi.		Pada Widget Constant, Learner akan menghasilkan model yang selalu memprediksi mayoritas untuk classification atau nilai rata-rata untuk regresi.

	Untuk classification, ketika memprediksi nilai class dengan Prediction, widget ini akan menghasilkan frekuensi relative dari class yang ada di training set. Jika ada dua atau lebih majority class, classifier akan memilih secara random dari predicted class, tapi akan selalu menghasilkan class yang sama untuk contoh tersebut.		Untuk classification, ketika memprediksi nilai class dengan Prediction, widget ini akan menghasilkan frekuensi relative dari class yang ada di training set. Jika ada dua atau lebih majority class, classifier akan memilih secara random dari predicted class, tapi akan selalu menghasilkan class yang sama untuk contoh tersebut.

Onnowpurbo: /* Contoh */

2020-02-27T01:13:48Z

Contoh

← Older revision		Revision as of 01:13, 27 February 2020
Line 37:		Line 37:
	[[File:Constant-classification.png\|center\|200px\|thumb]]		[[File:Constant-classification.png\|center\|200px\|thumb]]

	~~Untuk~~ regresi, kita menggunakan Widget Constant untuk membuat prediktor dalam Prediction. Kita menggunakan dataset housing. Dalam Prediction, kita dapat melihat bahwa Mean Learner mengembalikan satu (rata-rata) nilai untuk semua instance.		Dalam penggunakan Widget Constant untuk regresi, kita menggunakan Widget Constant untuk membuat prediktor dalam Prediction. Kita menggunakan dataset housing. Dalam Prediction, kita dapat melihat bahwa Mean Learner mengembalikan satu (rata-rata) nilai untuk semua instance.

	[[File:Constant-regression.png\|center\|200px\|thumb]]		[[File:Constant-regression.png\|center\|200px\|thumb]]

Onnowpurbo: /* Contoh */

2020-02-27T01:01:22Z

Contoh

← Older revision		Revision as of 01:01, 27 February 2020
Line 33:		Line 33:
	==Contoh==		==Contoh==

	Dalam contoh klasifikasi tipikal, kita akan menggunakan widget contant ini untuk membandingkan skor algoritma ~~pembelajaran~~ lainnya (seperti kNN) dengan skor default. Gunakan dataset iris dan connect ke Test & Score. Kemudian hubungkan Constant dan kNN ke Test & Score dan amati seberapa baik kinerja kNN terhadap baseline Constant.		Dalam contoh klasifikasi tipikal, kita akan menggunakan widget contant ini untuk membandingkan skor algoritma learner lainnya (seperti kNN) dengan skor default. Gunakan dataset iris dan connect ke Test & Score. Kemudian hubungkan Constant dan kNN ke Test & Score dan amati seberapa baik kinerja kNN terhadap baseline Constant.

	[[File:Constant-classification.png\|center\|200px\|thumb]]		[[File:Constant-classification.png\|center\|200px\|thumb]]

	Untuk regresi, kita menggunakan Constant untuk membuat prediktor dalam Prediction. Kita menggunakan dataset housing. Dalam Prediction, kita dapat melihat bahwa Mean Learner mengembalikan satu (rata-rata) nilai untuk semua instance.		Untuk regresi, kita menggunakan Widget Constant untuk membuat prediktor dalam Prediction. Kita menggunakan dataset housing. Dalam Prediction, kita dapat melihat bahwa Mean Learner mengembalikan satu (rata-rata) nilai untuk semua instance.

	[[File:Constant-regression.png\|center\|200px\|thumb]]		[[File:Constant-regression.png\|center\|200px\|thumb]]

Onnowpurbo: /* Contoh */

2020-02-27T00:45:22Z

Contoh

← Older revision		Revision as of 00:45, 27 February 2020
Line 33:		Line 33:
	==Contoh==		==Contoh==

	~~In a typical classification example~~, ~~we would use this~~ widget ~~to compare the scores of other learning algorithms~~ (~~such as~~ kNN) ~~with the~~ default ~~scores~~. ~~Use~~ iris ~~dataset and~~ connect ~~it to~~ Test & Score. ~~Then connect~~ Constant ~~and~~ kNN to Test & Score ~~and observe how well~~ kNN ~~performs against a constant~~ baseline.		Dalam contoh klasifikasi tipikal, kita akan menggunakan widget contant ini untuk membandingkan skor algoritma pembelajaran lainnya (seperti kNN) dengan skor default. Gunakan dataset iris dan connect ke Test & Score. Kemudian hubungkan Constant dan kNN ke Test & Score dan amati seberapa baik kinerja kNN terhadap baseline Constant.

	[[File:Constant-classification.png\|center\|200px\|thumb]]		[[File:Constant-classification.png\|center\|200px\|thumb]]

	~~For regression~~, ~~we use~~ Constant ~~to construct a predictor in Predictions~~. ~~We used the~~ housing ~~dataset~~. ~~In Predictions~~, ~~you can see that~~ Mean Learner ~~returns one~~ (~~mean~~) ~~value for all instances~~.		Untuk regresi, kita menggunakan Constant untuk membuat prediktor dalam Prediction. Kita menggunakan dataset housing. Dalam Prediction, kita dapat melihat bahwa Mean Learner mengembalikan satu (rata-rata) nilai untuk semua instance.

	[[File:Constant-regression.png\|center\|200px\|thumb]]		[[File:Constant-regression.png\|center\|200px\|thumb]]





	==Referensi==		==Referensi==

Onnowpurbo: /* Output */

2020-02-27T00:31:48Z

Output

← Older revision		Revision as of 00:31, 27 February 2020
Line 26:		Line 26:
	Widget ini memberi pengguna dengan dua pilihan:		Widget ini memberi pengguna dengan dua pilihan:

	* ~~The name under which it will appear in other widgets~~. Default name is “Constant”.		* Nama yang digunakan dan muncul di widget lain. Default name adalah “Constant”.
	* ~~Produce a~~ report.		* Menghasilkan report.

	~~If you change the widget’s name~~, ~~you need to click~~ Apply. ~~Alternatively~~, ~~tick the box on the left side and changes will be communicated automatically~~.		Jika anda mengubah nama widget, anda perlu mengklik Apply. Atau, centang kotak di sisi kiri dan perubahan akan dikomunikasikan secara otomatis.

	==Contoh==		==Contoh==

Onnowpurbo at 00:26, 27 February 2020

2020-02-27T00:26:05Z

← Older revision		Revision as of 00:26, 27 February 2020
Line 2:		Line 2:


	~~Predict the~~ most frequent class or mean value ~~from the~~ training set.		Memprediksi most frequent class atau mean value dari sebuah training set.

	==Input==		==Input==

	Data: input dataset		Data: input dataset
	Preprocessor: preprocessing method~~(s)~~		Preprocessor: preprocessing method

	==Output==		==Output==
Line 14:		Line 14:
	Model: trained model		Model: trained model

	~~This learner produces a~~ model ~~that always predicts themajority for~~ classification ~~tasks and mean value for regression tasks~~.		Learner ini akan menghasilkan model yang selalu memprediksi mayoritas untuk classification atau nilai rata-rata untuk regresi.

	~~For~~ classification, ~~when predicting the~~ class ~~value with Predictions~~, ~~the~~ widget ~~will return~~ relative ~~frequencies of the classes in the~~ training set. ~~When there are two or more~~ majority ~~classes~~, ~~the~~ classifier ~~chooses the~~ predicted class ~~randomly~~, ~~but always returns the same~~ class ~~for a particular example~~.		Untuk classification, ketika memprediksi nilai class dengan Prediction, widget ini akan menghasilkan frekuensi relative dari class yang ada di training set. Jika ada dua atau lebih majority class, classifier akan memilih secara random dari predicted class, tapi akan selalu menghasilkan class yang sama untuk contoh tersebut.

	~~For~~ regression, ~~it learns the mean of the class variable and returns a~~ predictor ~~with the same mean value~~.		Untuk regression, dia akan mempelajari rata-rata dari varibel dan menghasilkan predictor dengan nilai rata-rata yang sama.

	~~The widget is typically used as a~~ baseline ~~for other models~~.		Widget ini biasanya digunakan sebagai baseline untuk model lainnya.

	[[File:Constant-stamped.png\|center\|200px\|thumb]]		[[File:Constant-stamped.png\|center\|200px\|thumb]]

	~~This widget provides the user with two options~~:		Widget ini memberi pengguna dengan dua pilihan:

	* The name under which it will appear in other widgets. Default name is “Constant”.		* The name under which it will appear in other widgets. Default name is “Constant”.

Onnowpurbo at 02:35, 28 January 2020

2020-01-28T02:35:42Z

← Older revision		Revision as of 02:35, 28 January 2020
Line 4:		Line 4:
	Predict the most frequent class or mean value from the training set.		Predict the most frequent class or mean value from the training set.

	~~Inputs~~		==Input==

	Data: input dataset		Data: input dataset
	Preprocessor: preprocessing method(s)		Preprocessor: preprocessing method(s)

	~~Outputs~~		==Output==

	Learner: majority/mean learning algorithm		Learner: majority/mean learning algorithm
	Model: trained model		Model: trained model

	This learner produces a model that always predicts themajority for classification tasks and mean value for regression tasks.		This learner produces a model that always predicts themajority for classification tasks and mean value for regression tasks.
Line 26:		Line 26:
	This widget provides the user with two options:		This widget provides the user with two options:

	The name under which it will appear in other widgets. Default name is “Constant”.		* The name under which it will appear in other widgets. Default name is “Constant”.
	Produce a report.		* Produce a report.

	If you change the widget’s name, you need to click Apply. Alternatively, tick the box on the left side and changes will be communicated automatically.		If you change the widget’s name, you need to click Apply. Alternatively, tick the box on the left side and changes will be communicated automatically.
	~~Examples~~
			==Contoh==

	In a typical classification example, we would use this widget to compare the scores of other learning algorithms (such as kNN) with the default scores. Use iris dataset and connect it to Test & Score. Then connect Constant and kNN to Test & Score and observe how well kNN performs against a constant baseline.		In a typical classification example, we would use this widget to compare the scores of other learning algorithms (such as kNN) with the default scores. Use iris dataset and connect it to Test & Score. Then connect Constant and kNN to Test & Score and observe how well kNN performs against a constant baseline.

Onnowpurbo at 01:35, 23 January 2020

2020-01-23T01:35:40Z

← Older revision		Revision as of 01:35, 23 January 2020
Line 7:		Line 7:

	Data: input dataset		Data: input dataset

	Preprocessor: preprocessing method(s)		Preprocessor: preprocessing method(s)

Line 13:		Line 12:

	Learner: majority/mean learning algorithm		Learner: majority/mean learning algorithm

	Model: trained model		Model: trained model

Line 24:		Line 22:
	The widget is typically used as a baseline for other models.		The widget is typically used as a baseline for other models.

	~~../../_images/~~Constant-stamped.png		[[File:Constant-stamped.png\|center\|200px\|thumb]]

	This widget provides the user with two options:		This widget provides the user with two options:

	The name under which it will appear in other widgets. Default name is “Constant”.		The name under which it will appear in other widgets. Default name is “Constant”.

	Produce a report.		Produce a report.

Line 37:		Line 34:
	In a typical classification example, we would use this widget to compare the scores of other learning algorithms (such as kNN) with the default scores. Use iris dataset and connect it to Test & Score. Then connect Constant and kNN to Test & Score and observe how well kNN performs against a constant baseline.		In a typical classification example, we would use this widget to compare the scores of other learning algorithms (such as kNN) with the default scores. Use iris dataset and connect it to Test & Score. Then connect Constant and kNN to Test & Score and observe how well kNN performs against a constant baseline.

	~~../../_images/~~Constant-classification.png		[[File:Constant-classification.png\|center\|200px\|thumb]]

	For regression, we use Constant to construct a predictor in Predictions. We used the housing dataset. In Predictions, you can see that Mean Learner returns one (mean) value for all instances.		For regression, we use Constant to construct a predictor in Predictions. We used the housing dataset. In Predictions, you can see that Mean Learner returns one (mean) value for all instances.

	~~../../_images/~~Constant-regression.png		[[File:Constant-regression.png\|center\|200px\|thumb]]