Orange: Nomogram - Revision history

Onnowpurbo: /* Contoh */

2020-04-11T01:53:31Z

Contoh

← Older revision		Revision as of 01:53, 11 April 2020
Line 39:		Line 39:
	Contoh berikut memperlihatkan bagaimana menggunakan Features output. Kita menggunakan data heart_disease untuk latihan ini dan di load menggunakan widget File. Connect widget File ke widget Naive Bayes (atau widget Logistic Regression) dan tambahkan ke widget Nomogram ke widget Naive Bayes. Akhirnya, connect widget File ke widget Select Columns.		Contoh berikut memperlihatkan bagaimana menggunakan Features output. Kita menggunakan data heart_disease untuk latihan ini dan di load menggunakan widget File. Connect widget File ke widget Naive Bayes (atau widget Logistic Regression) dan tambahkan ke widget Nomogram ke widget Naive Bayes. Akhirnya, connect widget File ke widget Select Columns.

	Widget Select Columns akan memilih sebuah subset dari variabel, dimana widget Nomogram akan menayangkan top scoring variabel untuk trained classifier. ~~To filter the~~ data ~~by the variables selected in the~~ Nomogram, ~~connect~~ Nomogram to Select Columns ~~as shown below~~. Nomogram ~~will pass a list of selected variables to~~ Select Columns, ~~which will retain only the variables from the list~~. ~~For this to work~~, ~~you have to press~~ Use input features in Select Columns (~~or tick it to~~ always apply it).		Widget Select Columns akan memilih sebuah subset dari variabel, dimana widget Nomogram akan menayangkan top scoring variabel untuk trained classifier. Untuk memfilter data berdasarkan variabel yang dipilih dalam widget Nomogram, sambungkan widget Nomogram ke widget Select Columns seperti yang ditunjukkan di bawah ini. Widget Nomogram akan meneruskan daftar variabel yang dipilih ke widget Select Columns, yang hanya akan mempertahankan variabel dari daftar. Agar ini berfungsi, kita harus menekan Use input features di widget Select Columns (atau centang untuk always apply it).

	~~We have selected the top~~ 5 ~~variables in~~ Nomogram ~~and used~~ Select Columns ~~to retain only those variables~~.		Kita telah memilih 5 variabel teratas dalam widget Nomogram dan menggunakan widget Select Columns untuk mempertahankan hanya variabel-variabel tersebut.

	[[File:Nomogram-Features.png\|center\|600px\|thumb]]		[[File:Nomogram-Features.png\|center\|600px\|thumb]]

Onnowpurbo: /* Output */

2020-04-11T00:25:12Z

Output

← Older revision		Revision as of 00:25, 11 April 2020
Line 19:		Line 19:
	Probabilitas dari target class yang dipilih di hitung dengan prinsip ‘1-vs-all’ , yang sebaiknya di ambil sebagai prinsip dalam memilih multiclass data (jika total probabilitas tidak 1). Untuk menghindari ketidak nyamanan ini, kita dapat me-normalisasi probabilitas.		Probabilitas dari target class yang dipilih di hitung dengan prinsip ‘1-vs-all’ , yang sebaiknya di ambil sebagai prinsip dalam memilih multiclass data (jika total probabilitas tidak 1). Untuk menghindari ketidak nyamanan ini, kita dapat me-normalisasi probabilitas.

	[[File:Nomogram-NaiveBayes.png\|center\|~~400px~~\|thumb]]		[[File:Nomogram-NaiveBayes.png\|center\|600px\|thumb]]

	* Select the target class you want to model the probability for. Select, whether you want to normalize the probabilities or not.		* Select the target class you want to model the probability for. Select, whether you want to normalize the probabilities or not.

Onnowpurbo: /* Features output */

2020-04-09T06:36:39Z

Features output

← Older revision		Revision as of 06:36, 9 April 2020
Line 37:		Line 37:
	Mengacu pada dataset Titanic sekali lagi, 1490 (68%) penumpang Titanic dari 2201 meninggal. Untuk membuat prediksi, kontribusi setiap atribut diukur sebagai skor poin dan skor poin individu dijumlahkan untuk menentukan probabilitas. Ketika nilai atribut tidak diketahui, kontribusinya adalah 0 poin. Oleh karena itu, tanpa mengetahui apa pun tentang penumpang, skor poin total adalah 0 dan probabilitas yang sesuai sama dengan sebelumnya tanpa syarat. Widget Nomogram dalam contoh menunjukkan kasus ketika kita tahu bahwa penumpang adalah laki-laki dewasa dari kelas satu. Jumlah poin menjadi -0,36, dengan probabilitas yang sesuai untuk tidak survive sekitar 53%.		Mengacu pada dataset Titanic sekali lagi, 1490 (68%) penumpang Titanic dari 2201 meninggal. Untuk membuat prediksi, kontribusi setiap atribut diukur sebagai skor poin dan skor poin individu dijumlahkan untuk menentukan probabilitas. Ketika nilai atribut tidak diketahui, kontribusinya adalah 0 poin. Oleh karena itu, tanpa mengetahui apa pun tentang penumpang, skor poin total adalah 0 dan probabilitas yang sesuai sama dengan sebelumnya tanpa syarat. Widget Nomogram dalam contoh menunjukkan kasus ketika kita tahu bahwa penumpang adalah laki-laki dewasa dari kelas satu. Jumlah poin menjadi -0,36, dengan probabilitas yang sesuai untuk tidak survive sekitar 53%.

	==Features output==		Contoh berikut memperlihatkan bagaimana menggunakan Features output. Kita menggunakan data heart_disease untuk latihan ini dan di load menggunakan widget File. Connect widget File ke widget Naive Bayes (atau widget Logistic Regression) dan tambahkan ke widget Nomogram ke widget Naive Bayes. Akhirnya, connect widget File ke widget Select Columns.

	The second example shows how to use the Features output. Let us use heart_disease data for this exercise and load it in the File widget. Now connect File to Naive Bayes (or Logistic Regression) and add Nomogram to Naive Bayes. Finally, connect File to Select Columns.		Widget Select Columns akan memilih sebuah subset dari variabel, dimana widget Nomogram akan menayangkan top scoring variabel untuk trained classifier. To filter the data by the variables selected in the Nomogram, connect Nomogram to Select Columns as shown below. Nomogram will pass a list of selected variables to Select Columns, which will retain only the variables from the list. For this to work, you have to press Use input features in Select Columns (or tick it to always apply it).

	Select Columns ~~selects a~~ subset ~~of variables~~, ~~while~~ Nomogram ~~shows the~~ top scoring ~~variables for the~~ trained classifier. To filter the data by the variables selected in the Nomogram, connect Nomogram to Select Columns as shown below. Nomogram will pass a list of selected variables to Select Columns, which will retain only the variables from the list. For this to work, you have to press Use input features in Select Columns (or tick it to always apply it).

	We have selected the top 5 variables in Nomogram and used Select Columns to retain only those variables.		We have selected the top 5 variables in Nomogram and used Select Columns to retain only those variables.

	[[File:Nomogram-Features.png\|center\|~~200px~~\|thumb]]		[[File:Nomogram-Features.png\|center\|600px\|thumb]]



	==Referensi==		==Referensi==

Onnowpurbo: /* Contoh */

2020-04-09T06:33:04Z

Contoh

← Older revision		Revision as of 06:33, 9 April 2020
Line 35:		Line 35:
	[[File:Nomogram-Example.png\|center\|600px\|thumb]]		[[File:Nomogram-Example.png\|center\|600px\|thumb]]

	~~Referring to the~~ Titanic ~~dataset once again~~, 1490 (68%) ~~passengers on~~ Titanic ~~out of~~ 2201 ~~died~~. ~~To make a prediction~~, ~~the contribution of each attribute is measured as a point score and the individual point scores are summed to determine the probability~~. ~~When the value of the attribute is unknown~~, ~~its contribution is~~ 0 ~~points~~. ~~Therefore~~, ~~not knowing anything about the passenger~~, ~~the~~ total ~~point score is~~ 0 ~~and the corresponding probability equals the unconditional prior~~. ~~The nomogram in the example shows the case when we know that the passenger is a male adult from the first class~~. ~~The points sum to~~ -0.36, ~~with a corresponding probability of not surviving of about~~ 53%.		Mengacu pada dataset Titanic sekali lagi, 1490 (68%) penumpang Titanic dari 2201 meninggal. Untuk membuat prediksi, kontribusi setiap atribut diukur sebagai skor poin dan skor poin individu dijumlahkan untuk menentukan probabilitas. Ketika nilai atribut tidak diketahui, kontribusinya adalah 0 poin. Oleh karena itu, tanpa mengetahui apa pun tentang penumpang, skor poin total adalah 0 dan probabilitas yang sesuai sama dengan sebelumnya tanpa syarat. Widget Nomogram dalam contoh menunjukkan kasus ketika kita tahu bahwa penumpang adalah laki-laki dewasa dari kelas satu. Jumlah poin menjadi -0,36, dengan probabilitas yang sesuai untuk tidak survive sekitar 53%.

	==Features output==		==Features output==

Onnowpurbo: /* Contoh */

2020-04-09T06:30:31Z

Contoh

← Older revision		Revision as of 06:30, 9 April 2020
Line 31:		Line 31:
	==Contoh==		==Contoh==

	Widget Nomogram ~~widget~~ sebaiknya digunakan langsung sesudah training widget classifier (yaitu, Naive Bayes atau Logistics Regression). Widget Nomorgram juga dapat mengirimkan data instance menggunakan widget yang memungkinkan selection (seperti widget Data Table) seperti tampak pada workflow di bawah ini.		Widget Nomogram sebaiknya digunakan langsung sesudah training widget classifier (yaitu, Naive Bayes atau Logistics Regression). Widget Nomorgram juga dapat mengirimkan data instance menggunakan widget yang memungkinkan selection (seperti widget Data Table) seperti tampak pada workflow di bawah ini.

	[[File:Nomogram-Example.png\|center\|600px\|thumb]]		[[File:Nomogram-Example.png\|center\|600px\|thumb]]

Onnowpurbo: /* Contoh */

2020-04-09T06:30:21Z

Contoh

← Older revision		Revision as of 06:30, 9 April 2020
Line 31:		Line 31:
	==Contoh==		==Contoh==

	~~The~~ Nomogram widget ~~should be used immediately after trained~~ classifier ~~widget~~ (~~e.g.~~ Naive Bayes or Logistics Regression). ~~It can also be passed a~~ data instance ~~using any~~ widget ~~that enables~~ selection (~~e.g.~~ Data Table) ~~as shown in the~~ workflow ~~below~~.		Widget Nomogram widget sebaiknya digunakan langsung sesudah training widget classifier (yaitu, Naive Bayes atau Logistics Regression). Widget Nomorgram juga dapat mengirimkan data instance menggunakan widget yang memungkinkan selection (seperti widget Data Table) seperti tampak pada workflow di bawah ini.

	[[File:Nomogram-Example.png\|center\|~~200px~~\|thumb]]		[[File:Nomogram-Example.png\|center\|600px\|thumb]]

	Referring to the Titanic dataset once again, 1490 (68%) passengers on Titanic out of 2201 died. To make a prediction, the contribution of each attribute is measured as a point score and the individual point scores are summed to determine the probability. When the value of the attribute is unknown, its contribution is 0 points. Therefore, not knowing anything about the passenger, the total point score is 0 and the corresponding probability equals the unconditional prior. The nomogram in the example shows the case when we know that the passenger is a male adult from the first class. The points sum to -0.36, with a corresponding probability of not surviving of about 53%.		Referring to the Titanic dataset once again, 1490 (68%) passengers on Titanic out of 2201 died. To make a prediction, the contribution of each attribute is measured as a point score and the individual point scores are summed to determine the probability. When the value of the attribute is unknown, its contribution is 0 points. Therefore, not knowing anything about the passenger, the total point score is 0 and the corresponding probability equals the unconditional prior. The nomogram in the example shows the case when we know that the passenger is a male adult from the first class. The points sum to -0.36, with a corresponding probability of not surviving of about 53%.

Onnowpurbo: /* Output */

2020-04-09T06:28:20Z

Output

← Older revision		Revision as of 06:28, 9 April 2020
Line 19:		Line 19:
	Probabilitas dari target class yang dipilih di hitung dengan prinsip ‘1-vs-all’ , yang sebaiknya di ambil sebagai prinsip dalam memilih multiclass data (jika total probabilitas tidak 1). Untuk menghindari ketidak nyamanan ini, kita dapat me-normalisasi probabilitas.		Probabilitas dari target class yang dipilih di hitung dengan prinsip ‘1-vs-all’ , yang sebaiknya di ambil sebagai prinsip dalam memilih multiclass data (jika total probabilitas tidak 1). Untuk menghindari ketidak nyamanan ini, kita dapat me-normalisasi probabilitas.

	[[File:Nomogram-NaiveBayes.png\|center\|~~200px~~\|thumb]]		[[File:Nomogram-NaiveBayes.png\|center\|400px\|thumb]]

	* Select the target class you want to model the probability for. Select, whether you want to normalize the probabilities or not.		* Select the target class you want to model the probability for. Select, whether you want to normalize the probabilities or not.

Onnowpurbo: /* Output */

2020-04-09T06:28:11Z

Output

← Older revision		Revision as of 06:28, 9 April 2020
Line 17:		Line 17:
	Pada saat banyak atribut yang bisa di plot dari dataset, hanya yang rank terbaik yang akan di pilih untuk di tayangkan. Kita mungkin memilih dari ‘No sorting’, ‘Name’, ‘Absolute importance’, ‘Positive influence’ dan ‘Negative influence’ untuk representasi Naive Bayes dan dari ‘No sorting’, ‘Name’ dan ‘Absolute importance’ untuk representasi Logistic Regression.		Pada saat banyak atribut yang bisa di plot dari dataset, hanya yang rank terbaik yang akan di pilih untuk di tayangkan. Kita mungkin memilih dari ‘No sorting’, ‘Name’, ‘Absolute importance’, ‘Positive influence’ dan ‘Negative influence’ untuk representasi Naive Bayes dan dari ‘No sorting’, ‘Name’ dan ‘Absolute importance’ untuk representasi Logistic Regression.

	Probabilitas dari target class yang dipilih di hitung dengan prinsip ‘1-vs-all’ , yang sebaiknya di ambil sebagai		Probabilitas dari target class yang dipilih di hitung dengan prinsip ‘1-vs-all’ , yang sebaiknya di ambil sebagai prinsip dalam memilih multiclass data (jika total probabilitas tidak 1). Untuk menghindari ketidak nyamanan ini, kita dapat me-normalisasi probabilitas.

	~~which should be taken in consideration when dealing with~~ multiclass data (~~alternating probabilities do not sum to~~ 1). ~~To avoid this inconvenience~~, ~~you can choose to normalize probabilities~~.

	[[File:Nomogram-NaiveBayes.png\|center\|200px\|thumb]]		[[File:Nomogram-NaiveBayes.png\|center\|200px\|thumb]]

Onnowpurbo: /* Output */

2020-04-09T06:21:43Z

Output

← Older revision		Revision as of 06:21, 9 April 2020
Line 13:		Line 13:
	Features: selected variables, 10 by default		Features: selected variables, 10 by default

	~~The~~ Nomogram ~~enables some classifier’s~~ (~~more precisely~~ Naive Bayes classifier ~~and~~ Logistic Regression ~~classifier~~) ~~visual representation~~. ~~It offers an insight into the structure of the~~ training ~~data and effects of the attributes on the~~ class ~~probabilities~~. ~~Besides visualization of the~~ classifier, ~~the~~ widget ~~offers interactive support for prediction of~~ class ~~probabilities~~. ~~A snapshot below shows the~~ nomogram ~~of the~~ Titanic ~~dataset~~, ~~that models the probability for a passenger not to~~ survive ~~the disaster of the~~ Titanic.		Widget Nomogram memungkinkan representasi visual beberapa classifier (tepatnya Naive Bayes classifier dan Logistic Regression). Widget Nomogram menawarkan wawasan tentang struktur data training dan efek atribut pada probabilitas class. Selain visualisasi dari classifier, widget Nomogram menawarkan dukungan interaktif untuk prediksi probabilitas class. Cuplikan di bawah ini menunjukkan nomogram dari dataset Titanic, yang memodelkan probabilitas dari penumpang yang tidak survive dalam kecelakaan Titanic.

	~~When there are too many attributes in the plotted~~ dataset, ~~only best ranked ones can be selected for display~~. ~~It is possible to choose from~~ ‘No sorting’, ‘Name’, ‘Absolute importance’, ‘Positive influence’ ~~and~~ ‘Negative influence’ ~~for~~ Naive Bayes ~~representation and from~~ ‘No sorting’, ‘Name’ ~~and~~ ‘Absolute importance’ ~~for~~ Logistic Regression ~~representation~~.		Pada saat banyak atribut yang bisa di plot dari dataset, hanya yang rank terbaik yang akan di pilih untuk di tayangkan. Kita mungkin memilih dari ‘No sorting’, ‘Name’, ‘Absolute importance’, ‘Positive influence’ dan ‘Negative influence’ untuk representasi Naive Bayes dan dari ‘No sorting’, ‘Name’ dan ‘Absolute importance’ untuk representasi Logistic Regression.

	~~The probability for the chosen~~ target class ~~is computed by~~ ‘1-vs-all’ ~~principle~~, which should be taken in consideration when dealing with multiclass data (alternating probabilities do not sum to 1). To avoid this inconvenience, you can choose to normalize probabilities.		Probabilitas dari target class yang dipilih di hitung dengan prinsip ‘1-vs-all’ , yang sebaiknya di ambil sebagai

			which should be taken in consideration when dealing with multiclass data (alternating probabilities do not sum to 1). To avoid this inconvenience, you can choose to normalize probabilities.

	[[File:Nomogram-NaiveBayes.png\|center\|200px\|thumb]]		[[File:Nomogram-NaiveBayes.png\|center\|200px\|thumb]]

Onnowpurbo at 06:06, 9 April 2020

2020-04-09T06:06:17Z

← Older revision		Revision as of 06:06, 9 April 2020
Line 2:		Line 2:


	~~Nomograms for visualization of~~ Naive Bayes ~~and~~ Logistic Regression ~~classifiers~~.		Widget Nomogram untuk mem-visualisasi classifier Naive Bayes dan classifier Logistic Regression.

	==Input==		==Input==