Orange: Pythagorean Forest - Revision history

Onnowpurbo: /* Output */

2020-04-09T02:14:48Z

Output

← Older revision		Revision as of 02:14, 9 April 2020
Line 12:		Line 12:
	Tree: selected tree model		Tree: selected tree model

	Widget Pythagorean Forest menunjukkan semua decision tree model yang dipelajari dari widget Random Forest. Widget Pythagorean ~~Foret~~ akan menampilkan mereka sebagai Pythagorean tree, masing-masing visualisasi berkaitan dengan satu pohon yang dibangun secara acak. Dalam visualisasi, kita dapat memilih sebuah tree dan menampilkannya di widget Pythagorean Tree. Tree terbaik adalah yang memiliki cabang terpendek dan berwarna paling kuat. Ini berarti beberapa atribut membagi cabang dengan baik.		Widget Pythagorean Forest menunjukkan semua decision tree model yang dipelajari dari widget Random Forest. Widget Pythagorean Forest akan menampilkan mereka sebagai Pythagorean tree, masing-masing visualisasi berkaitan dengan satu pohon yang dibangun secara acak. Dalam visualisasi, kita dapat memilih sebuah tree dan menampilkannya di widget Pythagorean Tree. Tree terbaik adalah yang memiliki cabang terpendek dan berwarna paling kuat. Ini berarti beberapa atribut membagi cabang dengan baik.

	Widget Pythagorean Forest dapat menampilkan hasil klasifikasi dan regresi. Klasifikasi membutuhkan variabel target diskrit dalam dataset, sedangkan regresi memerlukan variabel target kontinu. Namun, keduanya harus diberi inputan / masukan Tree pada input-nya.		Widget Pythagorean Forest dapat menampilkan hasil klasifikasi dan regresi. Klasifikasi membutuhkan variabel target diskrit dalam dataset, sedangkan regresi memerlukan variabel target kontinu. Namun, keduanya harus diberi inputan / masukan Tree pada input-nya.

Onnowpurbo: /* Output */

2020-04-09T02:11:25Z

Output

← Older revision		Revision as of 02:11, 9 April 2020
Line 16:		Line 16:
	Widget Pythagorean Forest dapat menampilkan hasil klasifikasi dan regresi. Klasifikasi membutuhkan variabel target diskrit dalam dataset, sedangkan regresi memerlukan variabel target kontinu. Namun, keduanya harus diberi inputan / masukan Tree pada input-nya.		Widget Pythagorean Forest dapat menampilkan hasil klasifikasi dan regresi. Klasifikasi membutuhkan variabel target diskrit dalam dataset, sedangkan regresi memerlukan variabel target kontinu. Namun, keduanya harus diberi inputan / masukan Tree pada input-nya.

	[[File:Pythagorean-Forest-stamped.png\|center\|~~200px~~\|thumb]]		[[File:Pythagorean-Forest-stamped.png\|center\|600px\|thumb]]

	* Information on the input random forest model.		* Information on the input random forest model.

Onnowpurbo at 02:07, 9 April 2020

2020-04-09T02:07:50Z

← Older revision		Revision as of 02:07, 9 April 2020
Line 2:		Line 2:


	Widget Pythagorean ~~forest~~ untuk mem-visualisasi random forest.		Widget Pythagorean Forest untuk mem-visualisasi random forest.

	==Input==		==Input==

Onnowpurbo at 02:07, 9 April 2020

2020-04-09T02:07:29Z

← Older revision		Revision as of 02:07, 9 April 2020
Line 2:		Line 2:


	Widget Pythagorean forest untuk mem-visualisasi random ~~forests~~.		Widget Pythagorean forest untuk mem-visualisasi random forest.

	==Input==		==Input==

Onnowpurbo: /* Contoh */

2020-04-05T09:55:16Z

Contoh

← Older revision		Revision as of 09:55, 5 April 2020
Line 32:		Line 32:
	Widget Pythagorean Forest sangat baik untuk memvisualisasikan beberapa tree yang dibangun sekaligus. Dalam contoh di bawah ini, kita menggunakan dataset housing dan memplot 10 tree yang kita bangun dengan widget Random Forest. Saat mengubah parameter di widget Random Forest, visualisasi di widget Pythagorean Forest juga akan berubah.		Widget Pythagorean Forest sangat baik untuk memvisualisasikan beberapa tree yang dibangun sekaligus. Dalam contoh di bawah ini, kita menggunakan dataset housing dan memplot 10 tree yang kita bangun dengan widget Random Forest. Saat mengubah parameter di widget Random Forest, visualisasi di widget Pythagorean Forest juga akan berubah.

	Kemudian kita memilih tree dalam visualisasi dan memeriksanya lebih lanjut dengan widget ~~Pythagoras~~ Tree.		Kemudian kita memilih tree dalam visualisasi dan memeriksanya lebih lanjut dengan widget Pythagoran Tree.

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

Onnowpurbo: /* Contoh */

2020-04-05T09:55:02Z

Contoh

← Older revision		Revision as of 09:55, 5 April 2020
Line 34:		Line 34:
	Kemudian kita memilih tree dalam visualisasi dan memeriksanya lebih lanjut dengan widget Pythagoras Tree.		Kemudian kita memilih tree dalam visualisasi dan memeriksanya lebih lanjut dengan widget Pythagoras Tree.

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


	==Referensi==		==Referensi==

Onnowpurbo at 09:54, 5 April 2020

2020-04-05T09:54:52Z

← Older revision		Revision as of 09:54, 5 April 2020
Line 2:		Line 2:


	Pythagorean forest untuk mem-visualisasi random forests.		Widget Pythagorean forest untuk mem-visualisasi random forests.

	==Input==		==Input==
Line 12:		Line 12:
	Tree: selected tree model		Tree: selected tree model

	Pythagorean Forest menunjukkan semua decision tree model yang dipelajari dari widget Random Forest. ~~Ini~~ menampilkan mereka sebagai Pythagorean tree, masing-masing visualisasi berkaitan dengan satu pohon yang dibangun secara acak. Dalam visualisasi, kita dapat memilih sebuah tree dan menampilkannya di Pythagorean Tree ~~widget~~. Tree terbaik adalah yang memiliki cabang terpendek dan berwarna paling kuat. Ini berarti beberapa atribut membagi cabang dengan baik.		Widget Pythagorean Forest menunjukkan semua decision tree model yang dipelajari dari widget Random Forest. Widget Pythagorean Foret akan menampilkan mereka sebagai Pythagorean tree, masing-masing visualisasi berkaitan dengan satu pohon yang dibangun secara acak. Dalam visualisasi, kita dapat memilih sebuah tree dan menampilkannya di widget Pythagorean Tree. Tree terbaik adalah yang memiliki cabang terpendek dan berwarna paling kuat. Ini berarti beberapa atribut membagi cabang dengan baik.

	Widget menampilkan hasil klasifikasi dan regresi. Klasifikasi membutuhkan variabel target diskrit dalam dataset, sedangkan regresi memerlukan variabel target kontinu. Namun, keduanya harus diberi inputan / masukan Tree pada input-nya.		Widget Pythagorean Forest dapat menampilkan hasil klasifikasi dan regresi. Klasifikasi membutuhkan variabel target diskrit dalam dataset, sedangkan regresi memerlukan variabel target kontinu. Namun, keduanya harus diberi inputan / masukan Tree pada input-nya.

	[[File:Pythagorean-Forest-stamped.png\|center\|200px\|thumb]]		[[File:Pythagorean-Forest-stamped.png\|center\|200px\|thumb]]
Line 30:		Line 30:
	==Contoh==		==Contoh==

	Pythagorean Forest sangat baik untuk memvisualisasikan beberapa tree yang dibangun sekaligus. Dalam contoh di bawah ini, kita ~~telah~~ menggunakan dataset housing dan memplot 10 tree yang kita bangun dengan Random Forest. Saat mengubah parameter di Random Forest, visualisasi di Pythagorean Forest juga akan berubah.		Widget Pythagorean Forest sangat baik untuk memvisualisasikan beberapa tree yang dibangun sekaligus. Dalam contoh di bawah ini, kita menggunakan dataset housing dan memplot 10 tree yang kita bangun dengan widget Random Forest. Saat mengubah parameter di widget Random Forest, visualisasi di widget Pythagorean Forest juga akan berubah.

	Kemudian kita memilih tree dalam visualisasi dan memeriksanya lebih lanjut dengan widget Pythagoras Tree.		Kemudian kita memilih tree dalam visualisasi dan memeriksanya lebih lanjut dengan widget Pythagoras Tree.

Onnowpurbo at 09:20, 21 February 2020

2020-02-21T09:20:47Z

← Older revision		Revision as of 09:20, 21 February 2020
Line 2:		Line 2:


	Pythagorean forest ~~for visualizing~~ random forests.		Pythagorean forest untuk mem-visualisasi random forests.

	==Input==		==Input==
Line 12:		Line 12:
	Tree: selected tree model		Tree: selected tree model

	Pythagorean Forest ~~shows all learned~~ decision tree ~~models from~~ Random Forest ~~widget~~. ~~It displays them as~~ Pythagorean ~~trees~~, ~~each visualization pertaining to one randomly constructed tree~~. ~~In the visualization~~, ~~you can select a~~ tree ~~and display it in~~ Pythagorean Tree widget. ~~The best tree is the one with the shortest and most strongly colored branches~~. ~~This means few attributes split the branches well~~.		Pythagorean Forest menunjukkan semua decision tree model yang dipelajari dari widget Random Forest. Ini menampilkan mereka sebagai Pythagorean tree, masing-masing visualisasi berkaitan dengan satu pohon yang dibangun secara acak. Dalam visualisasi, kita dapat memilih sebuah tree dan menampilkannya di Pythagorean Tree widget. Tree terbaik adalah yang memiliki cabang terpendek dan berwarna paling kuat. Ini berarti beberapa atribut membagi cabang dengan baik.

	Widget ~~displays both classification and regression results~~. ~~Classification requires discrete~~ target ~~variable in the~~ dataset, ~~while regression requires a continuous~~ target ~~variable~~. ~~Still~~, ~~they both should be fed a~~ Tree ~~on the~~ input.		Widget menampilkan hasil klasifikasi dan regresi. Klasifikasi membutuhkan variabel target diskrit dalam dataset, sedangkan regresi memerlukan variabel target kontinu. Namun, keduanya harus diberi inputan / masukan Tree pada input-nya.

	[[File:Pythagorean-Forest-stamped.png\|center\|200px\|thumb]]		[[File:Pythagorean-Forest-stamped.png\|center\|200px\|thumb]]
Line 30:		Line 30:
	==Contoh==		==Contoh==

	Pythagorean Forest ~~is great for visualizing several built trees at once~~. ~~In the example below~~, ~~we’ve used~~ housing ~~dataset and plotted all~~ 10 ~~trees we’ve grown with~~ Random Forest. ~~When changing the parameters in~~ Random Forest, ~~visualization in~~ Pythagorean Forest ~~will change as well~~.		Pythagorean Forest sangat baik untuk memvisualisasikan beberapa tree yang dibangun sekaligus. Dalam contoh di bawah ini, kita telah menggunakan dataset housing dan memplot 10 tree yang kita bangun dengan Random Forest. Saat mengubah parameter di Random Forest, visualisasi di Pythagorean Forest juga akan berubah.

	~~Then we’ve selected a~~ tree ~~in the visualization and inspected it further with Pythagorean~~ Tree ~~widget~~.		Kemudian kita memilih tree dalam visualisasi dan memeriksanya lebih lanjut dengan widget Pythagoras Tree.

	[[File:Pythagorean-Forest-Example.png\|center\|200px\|thumb]]		[[File:Pythagorean-Forest-Example.png\|center\|200px\|thumb]]

Onnowpurbo at 02:05, 28 January 2020

2020-01-28T02:05:16Z

← Older revision		Revision as of 02:05, 28 January 2020
Line 4:		Line 4:
	Pythagorean forest for visualizing random forests.		Pythagorean forest for visualizing random forests.

	~~Inputs~~		==Input==

	Random Forest: tree models from random forest		Random Forest: tree models from random forest

	~~Outputs~~		==Output==

	Tree: selected tree model		Tree: selected tree model

	Pythagorean Forest shows all learned decision tree models from Random Forest widget. It displays them as Pythagorean trees, each visualization pertaining to one randomly constructed tree. In the visualization, you can select a tree and display it in Pythagorean Tree widget. The best tree is the one with the shortest and most strongly colored branches. This means few attributes split the branches well.		Pythagorean Forest shows all learned decision tree models from Random Forest widget. It displays them as Pythagorean trees, each visualization pertaining to one randomly constructed tree. In the visualization, you can select a tree and display it in Pythagorean Tree widget. The best tree is the one with the shortest and most strongly colored branches. This means few attributes split the branches well.
Line 18:		Line 18:
	[[File:Pythagorean-Forest-stamped.png\|center\|200px\|thumb]]		[[File:Pythagorean-Forest-stamped.png\|center\|200px\|thumb]]

	Information on the input random forest model.		* Information on the input random forest model.
			* Display parameters:

	~~Display parameters~~:		** Depth: set the depth to which the trees are grown.
			** Target class: set the target class for coloring the trees. If None is selected, the tree will be white. If the input is a classification tree, you can color the nodes by their respective class. If the input is a regression tree, the options are Class mean, which will color tree nodes by the class mean value and Standard deviation, which will color them by the standard deviation value of the node.
			** Size: set the size of the nodes. Normal will keep the nodes the size of the subset in the node. Square root and Logarithmic are the respective transformations of the node size.
			** Zoom: allows you to see the size of the tree visualizations.

	~~Depth: set the depth to which the trees are grown.~~		* Save Image: save the visualization to your computer as a .svg or .png file. Report: produce a report.
	Target class: set the target class for coloring the trees. If None is selected, the tree will be white. If the input is a classification tree, you can color the nodes by their respective class. If the input is a regression tree, the options are Class mean, which will color tree nodes by the class mean value and Standard deviation, which will color them by the standard deviation value of the node.
	~~Size: set the size of the nodes. Normal will keep the nodes the size of the subset in the node. Square root and Logarithmic are the respective transformations of the node size.~~
	~~Zoom: allows you to see the size of the tree visualizations.~~
	Save Image: save the visualization to your computer as a .svg or .png file. Report: produce a report.

	==Contoh==		==Contoh==

Onnowpurbo at 01:04, 23 January 2020

2020-01-23T01:04:33Z

← Older revision		Revision as of 01:04, 23 January 2020
Line 16:		Line 16:
	Widget displays both classification and regression results. Classification requires discrete target variable in the dataset, while regression requires a continuous target variable. Still, they both should be fed a Tree on the input.		Widget displays both classification and regression results. Classification requires discrete target variable in the dataset, while regression requires a continuous target variable. Still, they both should be fed a Tree on the input.

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

	Information on the input random forest model.		Information on the input random forest model.
Line 23:		Line 23:

	Depth: set the depth to which the trees are grown.		Depth: set the depth to which the trees are grown.

	Target class: set the target class for coloring the trees. If None is selected, the tree will be white. If the input is a classification tree, you can color the nodes by their respective class. If the input is a regression tree, the options are Class mean, which will color tree nodes by the class mean value and Standard deviation, which will color them by the standard deviation value of the node.		Target class: set the target class for coloring the trees. If None is selected, the tree will be white. If the input is a classification tree, you can color the nodes by their respective class. If the input is a regression tree, the options are Class mean, which will color tree nodes by the class mean value and Standard deviation, which will color them by the standard deviation value of the node.

	Size: set the size of the nodes. Normal will keep the nodes the size of the subset in the node. Square root and Logarithmic are the respective transformations of the node size.		Size: set the size of the nodes. Normal will keep the nodes the size of the subset in the node. Square root and Logarithmic are the respective transformations of the node size.

	Zoom: allows you to see the size of the tree visualizations.		Zoom: allows you to see the size of the tree visualizations.

	Save Image: save the visualization to your computer as a .svg or .png file. Report: produce a report.		Save Image: save the visualization to your computer as a .svg or .png file. Report: produce a report.

	~~Example~~		==Contoh==

	Pythagorean Forest is great for visualizing several built trees at once. In the example below, we’ve used housing dataset and plotted all 10 trees we’ve grown with Random Forest. When changing the parameters in Random Forest, visualization in Pythagorean Forest will change as well.		Pythagorean Forest is great for visualizing several built trees at once. In the example below, we’ve used housing dataset and plotted all 10 trees we’ve grown with Random Forest. When changing the parameters in Random Forest, visualization in Pythagorean Forest will change as well.
Line 38:		Line 34:
	Then we’ve selected a tree in the visualization and inspected it further with Pythagorean Tree widget.		Then we’ve selected a tree in the visualization and inspected it further with Pythagorean Tree widget.

	~~../../_images/~~Pythagorean-Forest-Example.png		[[File:Pythagorean-Forest-Example.png\|center\|200px\|thumb]]
	~~References~~

			==Referensi==

	Beck, F., Burch, M., Munz, T., Di Silvestro, L. and Weiskopf, D. (2014). Generalized Pythagoras Trees for Visualizing Hierarchies. In IVAPP ‘14 Proceedings of the 5th International Conference on Information Visualization Theory and Applications, 17-28.		Beck, F., Burch, M., Munz, T., Di Silvestro, L. and Weiskopf, D. (2014). Generalized Pythagoras Trees for Visualizing Hierarchies. In IVAPP ‘14 Proceedings of the 5th International Conference on Information Visualization Theory and Applications, 17-28.