Orange: Purge Domain - Revision history

Onnowpurbo: /* Output */

2020-04-20T01:29:10Z

Output

← Older revision		Revision as of 01:29, 20 April 2020
Line 12:		Line 12:
	Data: filtered dataset		Data: filtered dataset

	~~Secara~~ definisi atribut nominal terkadang berisi nilai yang tidak muncul dalam data. Bahkan jika ini tidak terjadi dalam data original, proses memfilter data, memilih subset data dapat menghapus semua contoh yang atributnya memiliki nilai tertentu. Pada akhirnya, nilai-nilai tersebut akan mengacaukan presentasi data, terutama berbagai visualisasi, dan harus dihapus.		Pada widget Purge Domain, secara definisi atribut nominal terkadang berisi nilai yang tidak muncul dalam data. Bahkan jika ini tidak terjadi dalam data original, proses memfilter data, memilih subset data dapat menghapus semua contoh yang atributnya memiliki nilai tertentu. Pada akhirnya, nilai-nilai tersebut akan mengacaukan presentasi data, terutama berbagai visualisasi, dan harus dihapus.

	~~Setelah~~ membersihkan atribut, mungkin akan menjadi bernilai tunggal atau, dalam dalam kasus ekstrim, tidak memiliki nilai sama sekali (jika nilai atribut ini tidak terdefinisi untuk semua contoh). Dalam kasus seperti itu, atribut tersebut dapat dihapus.		Pada widget Purge Domain, setelah membersihkan atribut, mungkin akan menjadi bernilai tunggal atau, dalam dalam kasus ekstrim, tidak memiliki nilai sama sekali (jika nilai atribut ini tidak terdefinisi untuk semua contoh). Dalam kasus seperti itu, atribut tersebut dapat dihapus.

	~~Masalah~~ yang ~~berbeda~~ adalah ~~urutan~~ nilai atribut: jika data dibaca dari file dalam format di mana nilai-nilai tidak dinyatakan sebelumnya, mereka diurutkan "in order of appearance". Kadang-kadang kita lebih suka menyortirnya secara alfabet.		Pada widget Purge Domain, masalah lain yang timbul adalah mengurutan nilai atribut: jika data dibaca dari file dalam format di mana nilai-nilai tidak dinyatakan sebelumnya, mereka diurutkan "in order of appearance". Kadang-kadang kita lebih suka menyortirnya secara alfabet.

	[[File:PurgeDomain-stamped.png\|center\|200px\|thumb]]		[[File:PurgeDomain-stamped.png\|center\|200px\|thumb]]
Line 29:		Line 29:
	Berbagai pemurnian data dilakukan oleh widget Purge Domain. Atribut biasa dan atribut class diperlakukan secara terpisah. Untuk masing-masing, kita dapat memutuskan apakah kita ingin nilai diurutkan atau tidak. Selanjutnya, kita dapat mengizinkan widget untuk menghapus atribut dengan nilai kurang dari dua atau menghapus atribut class jika ada kurang dari dua class. Terakhir, kita dapat menginstruksikan widget untuk memeriksa nilai atribut mana yang benar-benar muncul dalam data dan menghapus nilai yang tidak digunakan. Widget tidak dapat menghapus nilai jika tidak diperbolehkan menghapus atribut, karena memiliki atribut tanpa nilai tidak masuk akal.		Berbagai pemurnian data dilakukan oleh widget Purge Domain. Atribut biasa dan atribut class diperlakukan secara terpisah. Untuk masing-masing, kita dapat memutuskan apakah kita ingin nilai diurutkan atau tidak. Selanjutnya, kita dapat mengizinkan widget untuk menghapus atribut dengan nilai kurang dari dua atau menghapus atribut class jika ada kurang dari dua class. Terakhir, kita dapat menginstruksikan widget untuk memeriksa nilai atribut mana yang benar-benar muncul dalam data dan menghapus nilai yang tidak digunakan. Widget tidak dapat menghapus nilai jika tidak diperbolehkan menghapus atribut, karena memiliki atribut tanpa nilai tidak masuk akal.

	~~Atribut~~ baru yang direduksi mendapatkan awalan “R”, yang membedakannya dari yang original. Nilai-nilai atribut baru dapat dihitung dari yang lama, tetapi tidak sebaliknya. Ini berarti bahwa jika kita membuat classifier dari atribut baru, kita dapat menggunakannya untuk mengklasifikasikan contoh yang dijelaskan oleh atribut original. Tetapi tidak sebaliknya: membangun classifier dari atribut lama dan menggunakannya pada contoh yang dijelaskan oleh yang direduksi tidak akan bekerja. Untungnya, yang terakhir jarang terjadi. Dalam pengaturan yang umum, seseorang akan mengeksplorasi data, memvisualisasikannya, memfilternya, memurnikannya ... dan kemudian menguji model akhir pada data original.		Pada widget Purge Domain, atribut baru yang direduksi mendapatkan awalan “R”, yang membedakannya dari yang original. Nilai-nilai atribut baru dapat dihitung dari yang lama, tetapi tidak sebaliknya. Ini berarti bahwa jika kita membuat classifier dari atribut baru, kita dapat menggunakannya untuk mengklasifikasikan contoh yang dijelaskan oleh atribut original. Tetapi tidak sebaliknya: membangun classifier dari atribut lama dan menggunakannya pada contoh yang dijelaskan oleh yang direduksi tidak akan bekerja. Untungnya, yang terakhir jarang terjadi. Dalam pengaturan yang umum, seseorang akan mengeksplorasi data, memvisualisasikannya, memfilternya, memurnikannya ... dan kemudian menguji model akhir pada data original.

	==Contoh==		==Contoh==

Onnowpurbo: /* Contoh */

2020-04-20T01:27:16Z

Contoh

← Older revision		Revision as of 01:27, 20 April 2020
Line 35:		Line 35:
	Widget Purge Domain biasanya akan muncul setelah pemfilteran data, misalnya ketika memilih subset dari contoh yang divisualisasikan.		Widget Purge Domain biasanya akan muncul setelah pemfilteran data, misalnya ketika memilih subset dari contoh yang divisualisasikan.

	Dalam ~~skema~~ di ~~atas~~, kita bermain dengan dataset adult.tab: kita memvisualisasikannya dan memilih sebagian data, yang hanya berisi empat dari lima class original. Untuk menghilangkan class kosong, kita menempatkan data melalui widget Purge Domain sebelum dikirim ke widget Box Plot. Yang terakhir hanya menunjukkan empat class yang ada di widget Purge Data output. Untuk melihat efek pemurnian data, hapus centang pada Remove unused class variabel dan amati efeknya pada widget Box Plot.		Dalam workflow di bawah ini, kita bermain dengan dataset adult.tab: kita memvisualisasikannya dan memilih sebagian data, yang hanya berisi empat dari lima class original. Untuk menghilangkan class kosong, kita menempatkan data melalui widget Purge Domain sebelum dikirim ke widget Box Plot. Yang terakhir hanya menunjukkan empat class yang ada di widget Purge Data output. Untuk melihat efek pemurnian data, hapus centang pada Remove unused class variabel dan amati efeknya pada widget Box Plot.

	[[File:PurgeDomain-example.png\|center\|600px\|thumb]]		[[File:PurgeDomain-example.png\|center\|600px\|thumb]]

Onnowpurbo: /* Output */

2020-04-20T01:26:33Z

Output

← Older revision		Revision as of 01:26, 20 April 2020
Line 12:		Line 12:
	Data: filtered dataset		Data: filtered dataset

	~~Definisi~~ atribut nominal terkadang berisi nilai yang tidak muncul dalam data. Bahkan jika ini tidak terjadi dalam data original, memfilter data, memilih ~~himpunan bagian teladan dan yang sama~~ dapat menghapus semua contoh yang atributnya memiliki nilai tertentu. ~~Nilai~~-nilai tersebut mengacaukan presentasi data, terutama berbagai visualisasi, dan harus dihapus.		Secara definisi atribut nominal terkadang berisi nilai yang tidak muncul dalam data. Bahkan jika ini tidak terjadi dalam data original, proses memfilter data, memilih subset data dapat menghapus semua contoh yang atributnya memiliki nilai tertentu. Pada akhirnya, nilai-nilai tersebut akan mengacaukan presentasi data, terutama berbagai visualisasi, dan harus dihapus.

	Setelah membersihkan atribut, ~~itu~~ mungkin menjadi bernilai tunggal atau, dalam kasus ekstrim, tidak memiliki nilai sama sekali (jika nilai atribut ini tidak terdefinisi untuk semua contoh). Dalam kasus seperti itu, ~~atributnya~~ dapat dihapus.		Setelah membersihkan atribut, mungkin akan menjadi bernilai tunggal atau, dalam dalam kasus ekstrim, tidak memiliki nilai sama sekali (jika nilai atribut ini tidak terdefinisi untuk semua contoh). Dalam kasus seperti itu, atribut tersebut dapat dihapus.

	Masalah yang berbeda adalah urutan nilai atribut: jika data dibaca dari file dalam format di mana nilai-nilai tidak dinyatakan sebelumnya, mereka diurutkan "~~sesuai urutan penampilan~~". Kadang-kadang kita lebih suka menyortirnya secara alfabet.		Masalah yang berbeda adalah urutan nilai atribut: jika data dibaca dari file dalam format di mana nilai-nilai tidak dinyatakan sebelumnya, mereka diurutkan "in order of appearance". Kadang-kadang kita lebih suka menyortirnya secara alfabet.

	[[File:PurgeDomain-stamped.png\|center\|200px\|thumb]]		[[File:PurgeDomain-stamped.png\|center\|200px\|thumb]]
Line 27:		Line 27:
	* If Apply automatically is ticked, the widget will output data at each change of widget settings.		* If Apply automatically is ticked, the widget will output data at each change of widget settings.

	~~Pemurnian tersebut~~ dilakukan oleh widget Purge Domain. Atribut biasa dan atribut ~~kelas~~ diperlakukan secara terpisah. Untuk masing-masing, kita dapat memutuskan apakah kita ingin nilai diurutkan atau tidak. Selanjutnya, kita dapat mengizinkan widget untuk menghapus atribut dengan nilai kurang dari dua atau menghapus atribut ~~kelas~~ jika ada kurang dari dua ~~kelas~~. Terakhir, kita dapat menginstruksikan widget untuk memeriksa nilai atribut mana yang benar-benar muncul dalam data dan menghapus nilai yang tidak digunakan. Widget tidak dapat menghapus nilai jika tidak diperbolehkan menghapus atribut, karena memiliki atribut tanpa nilai tidak masuk akal.		Berbagai pemurnian data dilakukan oleh widget Purge Domain. Atribut biasa dan atribut class diperlakukan secara terpisah. Untuk masing-masing, kita dapat memutuskan apakah kita ingin nilai diurutkan atau tidak. Selanjutnya, kita dapat mengizinkan widget untuk menghapus atribut dengan nilai kurang dari dua atau menghapus atribut class jika ada kurang dari dua class. Terakhir, kita dapat menginstruksikan widget untuk memeriksa nilai atribut mana yang benar-benar muncul dalam data dan menghapus nilai yang tidak digunakan. Widget tidak dapat menghapus nilai jika tidak diperbolehkan menghapus atribut, karena memiliki atribut tanpa nilai tidak masuk akal.

	Atribut baru yang direduksi mendapatkan awalan “R”, yang membedakannya dari yang original. Nilai-nilai atribut baru dapat dihitung dari yang lama, tetapi tidak sebaliknya. Ini berarti bahwa jika kita membuat classifier dari atribut baru, kita dapat menggunakannya untuk mengklasifikasikan contoh yang dijelaskan oleh atribut original. Tetapi tidak sebaliknya: membangun classifier dari atribut lama dan menggunakannya pada contoh yang dijelaskan oleh yang direduksi tidak akan bekerja. Untungnya, yang terakhir jarang terjadi. Dalam pengaturan yang umum, seseorang akan mengeksplorasi data, memvisualisasikannya, memfilternya, memurnikannya ... dan kemudian menguji model akhir pada data original.		Atribut baru yang direduksi mendapatkan awalan “R”, yang membedakannya dari yang original. Nilai-nilai atribut baru dapat dihitung dari yang lama, tetapi tidak sebaliknya. Ini berarti bahwa jika kita membuat classifier dari atribut baru, kita dapat menggunakannya untuk mengklasifikasikan contoh yang dijelaskan oleh atribut original. Tetapi tidak sebaliknya: membangun classifier dari atribut lama dan menggunakannya pada contoh yang dijelaskan oleh yang direduksi tidak akan bekerja. Untungnya, yang terakhir jarang terjadi. Dalam pengaturan yang umum, seseorang akan mengeksplorasi data, memvisualisasikannya, memfilternya, memurnikannya ... dan kemudian menguji model akhir pada data original.

Onnowpurbo at 07:39, 18 April 2020

2020-04-18T07:39:00Z

← Older revision		Revision as of 07:39, 18 April 2020
Line 2:		Line 2:


	~~Menghapus~~ nilai atribut yang tidak digunakan dan atribut yang tidak berguna, mengurutkan nilai yang tersisa.		Widget Purge Domain dapat menghapus nilai atribut yang tidak digunakan dan atribut yang tidak berguna, mengurutkan nilai yang tersisa.

	==Input==		==Input==

Onnowpurbo: /* Contoh */

2020-04-18T07:38:00Z

Contoh

← Older revision		Revision as of 07:38, 18 April 2020
Line 33:		Line 33:
	==Contoh==		==Contoh==

	Purge Domain ~~widget~~ biasanya akan muncul setelah pemfilteran data, misalnya ketika memilih subset dari contoh yang divisualisasikan.		Widget Purge Domain biasanya akan muncul setelah pemfilteran data, misalnya ketika memilih subset dari contoh yang divisualisasikan.

	Dalam skema di atas, kita bermain dengan dataset adult.tab: kita memvisualisasikannya dan memilih sebagian data, yang hanya berisi empat dari lima ~~kelas~~ original. Untuk menghilangkan ~~kelas~~ kosong, kita menempatkan data melalui Purge Domain sebelum ~~pergi~~ ke Box Plot ~~widget~~. Yang terakhir hanya menunjukkan empat ~~kelas~~ yang ada di Purge Data output. Untuk melihat efek pemurnian data, hapus centang pada Remove unused class variabel dan amati efeknya pada Box Plot.		Dalam skema di atas, kita bermain dengan dataset adult.tab: kita memvisualisasikannya dan memilih sebagian data, yang hanya berisi empat dari lima class original. Untuk menghilangkan class kosong, kita menempatkan data melalui widget Purge Domain sebelum dikirim ke widget Box Plot. Yang terakhir hanya menunjukkan empat class yang ada di widget Purge Data output. Untuk melihat efek pemurnian data, hapus centang pada Remove unused class variabel dan amati efeknya pada widget Box Plot.

	[[File:PurgeDomain-example.png\|center\|~~200px~~\|thumb]]		[[File:PurgeDomain-example.png\|center\|600px\|thumb]]

	==Referensi==		==Referensi==

Onnowpurbo: /* Contoh */

2020-01-31T02:58:22Z

Contoh

← Older revision		Revision as of 02:58, 31 January 2020
Line 33:		Line 33:
	==Contoh==		==Contoh==

	~~The~~ Purge Domain widget ~~would typically appear after~~ data ~~filtering~~, ~~for instance when selecting a~~ subset ~~of visualized examples~~.		Purge Domain widget biasanya akan muncul setelah pemfilteran data, misalnya ketika memilih subset dari contoh yang divisualisasikan.

	~~In the above schema~~, ~~we play with the~~ adult.tab ~~dataset~~: ~~we visualize it and select a portion of the~~ data, ~~which contains only four out of the five~~ original ~~classes~~. ~~To get rid of the empty class~~, ~~we put the~~ data ~~through~~ Purge Domain ~~before going on to the~~ Box Plot widget. ~~The latter shows only the four classes which are in the~~ Purge Data output. ~~To see the effect of~~ data ~~purification~~, ~~uncheck~~ Remove unused class ~~variable values and observe the effect this has on~~ Box Plot.		Dalam skema di atas, kita bermain dengan dataset adult.tab: kita memvisualisasikannya dan memilih sebagian data, yang hanya berisi empat dari lima kelas original. Untuk menghilangkan kelas kosong, kita menempatkan data melalui Purge Domain sebelum pergi ke Box Plot widget. Yang terakhir hanya menunjukkan empat kelas yang ada di Purge Data output. Untuk melihat efek pemurnian data, hapus centang pada Remove unused class variabel dan amati efeknya pada Box Plot.

	[[File:PurgeDomain-example.png\|center\|200px\|thumb]]		[[File:PurgeDomain-example.png\|center\|200px\|thumb]]


	==Referensi==		==Referensi==

Onnowpurbo: /* Output */

2020-01-31T02:55:18Z

Output

← Older revision		Revision as of 02:55, 31 January 2020
Line 14:		Line 14:
	Definisi atribut nominal terkadang berisi nilai yang tidak muncul dalam data. Bahkan jika ini tidak terjadi dalam data original, memfilter data, memilih himpunan bagian teladan dan yang sama dapat menghapus semua contoh yang atributnya memiliki nilai tertentu. Nilai-nilai tersebut mengacaukan presentasi data, terutama berbagai visualisasi, dan harus dihapus.		Definisi atribut nominal terkadang berisi nilai yang tidak muncul dalam data. Bahkan jika ini tidak terjadi dalam data original, memfilter data, memilih himpunan bagian teladan dan yang sama dapat menghapus semua contoh yang atributnya memiliki nilai tertentu. Nilai-nilai tersebut mengacaukan presentasi data, terutama berbagai visualisasi, dan harus dihapus.

	~~After purging an attribute~~, ~~it may become single-valued or~~, ~~in extreme case~~, ~~have no values at all~~ (~~if the value of this attribute was undefined for all examples~~). ~~In such cases~~, ~~the attribute can be removed~~.		Setelah membersihkan atribut, itu mungkin menjadi bernilai tunggal atau, dalam kasus ekstrim, tidak memiliki nilai sama sekali (jika nilai atribut ini tidak terdefinisi untuk semua contoh). Dalam kasus seperti itu, atributnya dapat dihapus.

	~~A different issue is the order of attribute values~~: ~~if the~~ data ~~is read from a~~ file ~~in a~~ format ~~in which values are not declared in advance~~, ~~they are sorted “in order of appearance”~~. ~~Sometimes we would prefer to have them sorted alphabetically~~.		Masalah yang berbeda adalah urutan nilai atribut: jika data dibaca dari file dalam format di mana nilai-nilai tidak dinyatakan sebelumnya, mereka diurutkan "sesuai urutan penampilan". Kadang-kadang kita lebih suka menyortirnya secara alfabet.

	[[File:PurgeDomain-stamped.png\|center\|200px\|thumb]]		[[File:PurgeDomain-stamped.png\|center\|200px\|thumb]]
Line 27:		Line 27:
	* If Apply automatically is ticked, the widget will output data at each change of widget settings.		* If Apply automatically is ticked, the widget will output data at each change of widget settings.

	~~Such purification is done by the~~ widget Purge Domain. ~~Ordinary attributes and class attributes are treated separately~~. ~~For each~~, ~~we can decide if we want the values sorted or not~~. ~~Next~~, ~~we may allow the~~ widget ~~to remove attributes with less than two values or remove the class attribute if there are less than two classes~~. ~~Finally~~, ~~we can instruct the~~ widget ~~to check which values of attributes actually appear in the~~ data ~~and remove the unused values~~. ~~The widget cannot remove values if it is not allowed to remove the attributes~~, ~~since having attributes without values makes no sense~~.		Pemurnian tersebut dilakukan oleh widget Purge Domain. Atribut biasa dan atribut kelas diperlakukan secara terpisah. Untuk masing-masing, kita dapat memutuskan apakah kita ingin nilai diurutkan atau tidak. Selanjutnya, kita dapat mengizinkan widget untuk menghapus atribut dengan nilai kurang dari dua atau menghapus atribut kelas jika ada kurang dari dua kelas. Terakhir, kita dapat menginstruksikan widget untuk memeriksa nilai atribut mana yang benar-benar muncul dalam data dan menghapus nilai yang tidak digunakan. Widget tidak dapat menghapus nilai jika tidak diperbolehkan menghapus atribut, karena memiliki atribut tanpa nilai tidak masuk akal.

	~~The new, reduced attributes get the prefix~~ “R”, ~~which distinguishes them from the~~ original ~~ones~~. ~~The values of new attributes can be computed from the old ones~~, ~~but not the other way around~~. ~~This means that if you construct a~~ classifier ~~from the new attributes~~, ~~you can use it to classify the examples described by the~~ original ~~attributes~~. ~~But not the opposite~~: ~~constructing a~~ classifier ~~from the old attributes and using it on examples described by the reduced ones won’t work~~. ~~Fortunately~~, ~~the latter is seldom the case~~. ~~In a typical setup~~, ~~one would explore the~~ data, ~~visualize it~~, ~~filter it~~, ~~purify it… and then test the final~~ model ~~on the~~ original ~~data~~.		Atribut baru yang direduksi mendapatkan awalan “R”, yang membedakannya dari yang original. Nilai-nilai atribut baru dapat dihitung dari yang lama, tetapi tidak sebaliknya. Ini berarti bahwa jika kita membuat classifier dari atribut baru, kita dapat menggunakannya untuk mengklasifikasikan contoh yang dijelaskan oleh atribut original. Tetapi tidak sebaliknya: membangun classifier dari atribut lama dan menggunakannya pada contoh yang dijelaskan oleh yang direduksi tidak akan bekerja. Untungnya, yang terakhir jarang terjadi. Dalam pengaturan yang umum, seseorang akan mengeksplorasi data, memvisualisasikannya, memfilternya, memurnikannya ... dan kemudian menguji model akhir pada data original.

	==Contoh==		==Contoh==

Onnowpurbo at 02:29, 31 January 2020

2020-01-31T02:29:00Z

← Older revision		Revision as of 02:29, 31 January 2020
Line 2:		Line 2:


	~~Removes unused attribute values and useless attributes~~, ~~sorts the remaining values~~.		Menghapus nilai atribut yang tidak digunakan dan atribut yang tidak berguna, mengurutkan nilai yang tersisa.

	==Input==		==Input==

	Data: input dataset		Data: input dataset

	==Output==		==Output==

	Data: filtered dataset		Data: filtered dataset

	~~Definitions of~~ nominal ~~attributes sometimes contain values which don’t appear in the~~ data. ~~Even if this does not happen in the~~ original ~~data~~, ~~filtering the~~ data, ~~selecting exemplary subsets and alike can remove all examples for which the attribute has some particular value~~. ~~Such values clutter~~ data ~~presentation~~, ~~especially various visualizations~~, ~~and should be removed~~.		Definisi atribut nominal terkadang berisi nilai yang tidak muncul dalam data. Bahkan jika ini tidak terjadi dalam data original, memfilter data, memilih himpunan bagian teladan dan yang sama dapat menghapus semua contoh yang atributnya memiliki nilai tertentu. Nilai-nilai tersebut mengacaukan presentasi data, terutama berbagai visualisasi, dan harus dihapus.

	After purging an attribute, it may become single-valued or, in extreme case, have no values at all (if the value of this attribute was undefined for all examples). In such cases, the attribute can be removed.		After purging an attribute, it may become single-valued or, in extreme case, have no values at all (if the value of this attribute was undefined for all examples). In such cases, the attribute can be removed.

Onnowpurbo at 01:12, 28 January 2020

2020-01-28T01:12:49Z

← Older revision		Revision as of 01:12, 28 January 2020
Line 4:		Line 4:
	Removes unused attribute values and useless attributes, sorts the remaining values.		Removes unused attribute values and useless attributes, sorts the remaining values.

	~~Inputs~~		==Input==

	Data: input dataset		Data: input dataset

	~~Outputs~~		==Output==

	Data: filtered dataset		Data: filtered dataset
Line 20:		Line 20:
	[[File:PurgeDomain-stamped.png\|center\|200px\|thumb]]		[[File:PurgeDomain-stamped.png\|center\|200px\|thumb]]

			* Purge attributes.
	Purge attributes.		* Purge classes.
			* Purge meta attributes.
	Purge classes.		* Information on the filtering process.
			* Produce a report.
	Purge meta attributes.		* If Apply automatically is ticked, the widget will output data at each change of widget settings.

	Information on the filtering process.

	Produce a report.

	If Apply automatically is ticked, the widget will output data at each change of widget settings.

	Such purification is done by the widget Purge Domain. Ordinary attributes and class attributes are treated separately. For each, we can decide if we want the values sorted or not. Next, we may allow the widget to remove attributes with less than two values or remove the class attribute if there are less than two classes. Finally, we can instruct the widget to check which values of attributes actually appear in the data and remove the unused values. The widget cannot remove values if it is not allowed to remove the attributes, since having attributes without values makes no sense.		Such purification is done by the widget Purge Domain. Ordinary attributes and class attributes are treated separately. For each, we can decide if we want the values sorted or not. Next, we may allow the widget to remove attributes with less than two values or remove the class attribute if there are less than two classes. Finally, we can instruct the widget to check which values of attributes actually appear in the data and remove the unused values. The widget cannot remove values if it is not allowed to remove the attributes, since having attributes without values makes no sense.

	The new, reduced attributes get the prefix “R”, which distinguishes them from the original ones. The values of new attributes can be computed from the old ones, but not the other way around. This means that if you construct a classifier from the new attributes, you can use it to classify the examples described by the original attributes. But not the opposite: constructing a classifier from the old attributes and using it on examples described by the reduced ones won’t work. Fortunately, the latter is seldom the case. In a typical setup, one would explore the data, visualize it, filter it, purify it… and then test the final model on the original data.		The new, reduced attributes get the prefix “R”, which distinguishes them from the original ones. The values of new attributes can be computed from the old ones, but not the other way around. This means that if you construct a classifier from the new attributes, you can use it to classify the examples described by the original attributes. But not the opposite: constructing a classifier from the old attributes and using it on examples described by the reduced ones won’t work. Fortunately, the latter is seldom the case. In a typical setup, one would explore the data, visualize it, filter it, purify it… and then test the final model on the original data.
	~~Example~~
			==Contoh==

	The Purge Domain widget would typically appear after data filtering, for instance when selecting a subset of visualized examples.		The Purge Domain widget would typically appear after data filtering, for instance when selecting a subset of visualized examples.

Onnowpurbo at 02:09, 22 January 2020

2020-01-22T02:09:20Z

← Older revision		Revision as of 02:09, 22 January 2020
Line 18:		Line 18:
	A different issue is the order of attribute values: if the data is read from a file in a format in which values are not declared in advance, they are sorted “in order of appearance”. Sometimes we would prefer to have them sorted alphabetically.		A different issue is the order of attribute values: if the data is read from a file in a format in which values are not declared in advance, they are sorted “in order of appearance”. Sometimes we would prefer to have them sorted alphabetically.

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


	Purge attributes.		Purge attributes.
Line 41:		Line 42:
	In the above schema, we play with the adult.tab dataset: we visualize it and select a portion of the data, which contains only four out of the five original classes. To get rid of the empty class, we put the data through Purge Domain before going on to the Box Plot widget. The latter shows only the four classes which are in the Purge Data output. To see the effect of data purification, uncheck Remove unused class variable values and observe the effect this has on Box Plot.		In the above schema, we play with the adult.tab dataset: we visualize it and select a portion of the data, which contains only four out of the five original classes. To get rid of the empty class, we put the data through Purge Domain before going on to the Box Plot widget. The latter shows only the four classes which are in the Purge Data output. To see the effect of data purification, uncheck Remove unused class variable values and observe the effect this has on Box Plot.

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