Orange: Rank - Revision history

Onnowpurbo: /* Example: Feature Subset Selection for Machine Learning */

2020-04-20T02:56:43Z

Example: Feature Subset Selection for Machine Learning

← Older revision		Revision as of 02:56, 20 April 2020
Line 47:		Line 47:
	==Example: Feature Subset Selection for Machine Learning==		==Example: Feature Subset Selection for Machine Learning==

	Contoh yang lebih rumit dari widget Rank, dalam workflow di bawah ini, kita pertama-tama membagi data menjadi satu set train dan satu set test. Di cabang atas, data training melewatikan ke widget Rank untuk memilih atribut yang paling informatif, sedangkan di cabang bawah tidak ada pemilihan feature. Baik set data feature yang dipilih dan original dilewatkan ke widget Test & Score mereka sendiri, yang mengembangkan classifier widget ~~Naif~~ Bayes dan menilainya pada set test.		Contoh yang lebih rumit dari widget Rank, dalam workflow di bawah ini, kita pertama-tama membagi data menjadi satu set train dan satu set test. Di cabang atas, data training melewatikan ke widget Rank untuk memilih atribut yang paling informatif, sedangkan di cabang bawah tidak ada pemilihan feature. Baik set data feature yang dipilih dan original dilewatkan ke widget Test & Score mereka sendiri, yang mengembangkan classifier widget Naive Bayes dan menilainya pada set test.

	Untuk dataset dengan banyak fitur, pemilihan ~~fitur~~ classifier Naive ~~Bayesian~~, seperti yang ditunjukkan di gambar berikut, seringkali menghasilkan akurasi prediksi yang lebih baik.		Untuk dataset dengan banyak fitur, pemilihan feature classifier Naive Bayes, seperti yang ditunjukkan di gambar berikut, seringkali menghasilkan akurasi prediksi yang lebih baik.

	[[File:Rank-and-Test.png\|center\|600px\|thumb]]		[[File:Rank-and-Test.png\|center\|600px\|thumb]]

Onnowpurbo: /* Output */

2020-04-20T02:16:52Z

Output

← Older revision		Revision as of 02:16, 20 April 2020
Line 13:		Line 13:
	Reduced Data: dataset with selected attributes		Reduced Data: dataset with selected attributes

	Widget Rank mempertimbangkan kumpulan data berlabel ~~kelas~~ (klasifikasi atau regresi) dan menilai atribut sesuai dengan korelasinya dengan class. Peringkat juga menerima model untuk penilaian, seperti linear regression, logistic regression, random forest, SGD, dll.		Widget Rank mempertimbangkan kumpulan data berlabel class (klasifikasi atau regresi) dan menilai atribut sesuai dengan korelasinya dengan class. Peringkat juga menerima model untuk penilaian, seperti linear regression, logistic regression, random forest, SGD, dll.

	[[File:Rank-stamped.png\|center\|600px\|thumb]]		[[File:Rank-stamped.png\|center\|600px\|thumb]]

Onnowpurbo: /* Example: Feature Subset Selection for Machine Learning */

2020-04-18T07:46:14Z

Example: Feature Subset Selection for Machine Learning

← Older revision		Revision as of 07:46, 18 April 2020
Line 48:		Line 48:

	Contoh yang lebih rumit dari widget Rank, dalam workflow di bawah ini, kita pertama-tama membagi data menjadi satu set train dan satu set test. Di cabang atas, data training melewatikan ke widget Rank untuk memilih atribut yang paling informatif, sedangkan di cabang bawah tidak ada pemilihan feature. Baik set data feature yang dipilih dan original dilewatkan ke widget Test & Score mereka sendiri, yang mengembangkan classifier widget Naif Bayes dan menilainya pada set test.		Contoh yang lebih rumit dari widget Rank, dalam workflow di bawah ini, kita pertama-tama membagi data menjadi satu set train dan satu set test. Di cabang atas, data training melewatikan ke widget Rank untuk memilih atribut yang paling informatif, sedangkan di cabang bawah tidak ada pemilihan feature. Baik set data feature yang dipilih dan original dilewatkan ke widget Test & Score mereka sendiri, yang mengembangkan classifier widget Naif Bayes dan menilainya pada set test.

			Untuk dataset dengan banyak fitur, pemilihan fitur classifier Naive Bayesian, seperti yang ditunjukkan di gambar berikut, seringkali menghasilkan akurasi prediksi yang lebih baik.

	[[File:Rank-and-Test.png\|center\|600px\|thumb]]		[[File:Rank-and-Test.png\|center\|600px\|thumb]]

	~~Untuk dataset dengan banyak fitur, pemilihan fitur classifier Naive Bayesian, seperti yang ditunjukkan di atas, seringkali menghasilkan akurasi prediksi yang lebih baik.~~

	==Referensi==		==Referensi==

Onnowpurbo: /* Example: Feature Subset Selection for Machine Learning */

2020-04-18T07:45:46Z

Example: Feature Subset Selection for Machine Learning

← Older revision		Revision as of 07:45, 18 April 2020
Line 47:		Line 47:
	==Example: Feature Subset Selection for Machine Learning==		==Example: Feature Subset Selection for Machine Learning==

	Contoh yang lebih rumit dari widget Rank, dalam workflow di bawah ini, kita pertama-tama membagi data menjadi satu set train dan satu set test. Di cabang atas, data training ~~melewati~~ Rank ~~widget~~ untuk memilih atribut yang paling informatif, sedangkan di cabang bawah tidak ada pemilihan feature. Baik set data feature yang dipilih dan original dilewatkan ke widget Test & Score mereka sendiri, yang mengembangkan classifier widget Naif Bayes dan menilainya pada set test.		Contoh yang lebih rumit dari widget Rank, dalam workflow di bawah ini, kita pertama-tama membagi data menjadi satu set train dan satu set test. Di cabang atas, data training melewatikan ke widget Rank untuk memilih atribut yang paling informatif, sedangkan di cabang bawah tidak ada pemilihan feature. Baik set data feature yang dipilih dan original dilewatkan ke widget Test & Score mereka sendiri, yang mengembangkan classifier widget Naif Bayes dan menilainya pada set test.

	[[File:Rank-and-Test.png\|center\|600px\|thumb]]		[[File:Rank-and-Test.png\|center\|600px\|thumb]]

Onnowpurbo: /* Output */

2020-04-16T08:30:43Z

Output

← Older revision		Revision as of 08:30, 16 April 2020
Line 15:		Line 15:
	Widget Rank mempertimbangkan kumpulan data berlabel kelas (klasifikasi atau regresi) dan menilai atribut sesuai dengan korelasinya dengan class. Peringkat juga menerima model untuk penilaian, seperti linear regression, logistic regression, random forest, SGD, dll.		Widget Rank mempertimbangkan kumpulan data berlabel kelas (klasifikasi atau regresi) dan menilai atribut sesuai dengan korelasinya dengan class. Peringkat juga menerima model untuk penilaian, seperti linear regression, logistic regression, random forest, SGD, dll.

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

	* Select attributes from the data table.		* Select attributes from the data table.

Onnowpurbo: /* Example: Feature Subset Selection for Machine Learning */

2020-04-11T23:06:49Z

Example: Feature Subset Selection for Machine Learning

← Older revision		Revision as of 23:06, 11 April 2020
Line 47:		Line 47:
	==Example: Feature Subset Selection for Machine Learning==		==Example: Feature Subset Selection for Machine Learning==

	Contoh yang lebih rumit dari widget Rank, dalam workflow di bawah ini, kita pertama-tama membagi data menjadi satu set train dan satu set test. Di cabang atas, data training melewati Rank widget untuk memilih atribut yang paling informatif, sedangkan di cabang bawah tidak ada pemilihan feature. Baik set data feature yang dipilih dan original dilewatkan ke widget Test & Score mereka sendiri, yang mengembangkan classifier Naif Bayes dan menilainya pada set test.		Contoh yang lebih rumit dari widget Rank, dalam workflow di bawah ini, kita pertama-tama membagi data menjadi satu set train dan satu set test. Di cabang atas, data training melewati Rank widget untuk memilih atribut yang paling informatif, sedangkan di cabang bawah tidak ada pemilihan feature. Baik set data feature yang dipilih dan original dilewatkan ke widget Test & Score mereka sendiri, yang mengembangkan classifier widget Naif Bayes dan menilainya pada set test.

	[[File:Rank-and-Test.png\|center\|600px\|thumb]]		[[File:Rank-and-Test.png\|center\|600px\|thumb]]

	Untuk dataset dengan banyak fitur, pemilihan fitur classifier Bayesian ~~yang naif~~, seperti yang ditunjukkan di atas, seringkali menghasilkan akurasi prediksi yang lebih baik.		Untuk dataset dengan banyak fitur, pemilihan fitur classifier Naive Bayesian, seperti yang ditunjukkan di atas, seringkali menghasilkan akurasi prediksi yang lebih baik.




	==Referensi==		==Referensi==

Onnowpurbo at 23:06, 11 April 2020

2020-04-11T23:06:03Z

← Older revision		Revision as of 23:06, 11 April 2020
Line 2:		Line 2:


	~~Pemeringkatan~~ atribut dalam klasifikasi atau regresi data.		Widget Rank menghitung pemeringkatan atribut dalam klasifikasi atau regresi data.

	==Input==		==Input==
Line 13:		Line 13:
	Reduced Data: dataset with selected attributes		Reduced Data: dataset with selected attributes

	Widget Rank mempertimbangkan kumpulan data berlabel kelas (klasifikasi atau regresi) dan menilai atribut sesuai dengan korelasinya dengan ~~kelas~~. Peringkat juga menerima model untuk penilaian, seperti linear regression, logistic regression, random forest, SGD, dll.		Widget Rank mempertimbangkan kumpulan data berlabel kelas (klasifikasi atau regresi) dan menilai atribut sesuai dengan korelasinya dengan class. Peringkat juga menerima model untuk penilaian, seperti linear regression, logistic regression, random forest, SGD, dll.

	[[File:Rank-stamped.png\|center\|200px\|thumb]]		[[File:Rank-stamped.png\|center\|200px\|thumb]]
Line 37:		Line 37:
	==Example: Attribute Ranking and Selection==		==Example: Attribute Ranking and Selection==

	Di bawah ini, kita ~~telah~~ menggunakan Rank ~~widget~~ segera setelah File ~~widget~~ untuk mengurangi set atribut data dan hanya menyertakan yang paling informatif:		Di bawah ini, kita menggunakan widget Rank segera setelah widget File untuk mengurangi set atribut data dan hanya menyertakan yang paling informatif:

	[[File:Rank-Select-Schema.png\|center\|~~200px~~\|thumb]]		[[File:Rank-Select-Schema.png\|center\|600px\|thumb]]

	Perhatikan bagaimana widget menghasilkan set data yang hanya menyertakan atribut dengan skor terbaik:		Perhatikan bagaimana widget Rank menghasilkan set data yang hanya menyertakan atribut dengan skor terbaik:

	[[File:Rank-Select-Widgets.png\|center\|~~200px~~\|thumb]]		[[File:Rank-Select-Widgets.png\|center\|600px\|thumb]]

	==Example: Feature Subset Selection for Machine Learning==		==Example: Feature Subset Selection for Machine Learning==

	~~Berikut ini adalah contoh~~ yang ~~sedikit~~ lebih rumit~~. Dalam~~ workflow di bawah ini, kita pertama-tama membagi data menjadi satu set train dan satu set test. Di cabang atas, data training melewati Rank widget untuk memilih atribut yang paling informatif, sedangkan di cabang bawah tidak ada pemilihan feature. Baik set data feature yang dipilih dan original dilewatkan ke widget Test & Score mereka sendiri, yang mengembangkan classifier Naif Bayes dan menilainya pada set test.		Contoh yang lebih rumit dari widget Rank, dalam workflow di bawah ini, kita pertama-tama membagi data menjadi satu set train dan satu set test. Di cabang atas, data training melewati Rank widget untuk memilih atribut yang paling informatif, sedangkan di cabang bawah tidak ada pemilihan feature. Baik set data feature yang dipilih dan original dilewatkan ke widget Test & Score mereka sendiri, yang mengembangkan classifier Naif Bayes dan menilainya pada set test.

	[[File:Rank-and-Test.png\|center\|~~200px~~\|thumb]]		[[File:Rank-and-Test.png\|center\|600px\|thumb]]

	Untuk dataset dengan banyak fitur, pemilihan fitur classifier Bayesian yang naif, seperti yang ditunjukkan di atas, seringkali menghasilkan akurasi prediksi yang lebih baik.		Untuk dataset dengan banyak fitur, pemilihan fitur classifier Bayesian yang naif, seperti yang ditunjukkan di atas, seringkali menghasilkan akurasi prediksi yang lebih baik.

Onnowpurbo at 03:12, 31 January 2020

2020-01-31T03:12:42Z

← Older revision		Revision as of 03:12, 31 January 2020
Line 47:		Line 47:
	==Example: Feature Subset Selection for Machine Learning==		==Example: Feature Subset Selection for Machine Learning==

	~~What follows is a bit more complicated example~~. ~~In the~~ workflow ~~below~~, ~~we first split the~~ data ~~into a training~~ set ~~and a~~ test ~~set~~. ~~In the upper branch~~, ~~the~~ training ~~data passes through the~~ Rank widget ~~to select the most informative attributes~~, ~~while in the lower branch there is no~~ feature ~~selection~~. ~~Both~~ feature ~~selected and~~ original ~~datasets are passed to their own~~ Test & Score ~~widgets~~, ~~which develop a Naive~~ Bayes ~~classifier and score it on a~~ test ~~set~~.		Berikut ini adalah contoh yang sedikit lebih rumit. Dalam workflow di bawah ini, kita pertama-tama membagi data menjadi satu set train dan satu set test. Di cabang atas, data training melewati Rank widget untuk memilih atribut yang paling informatif, sedangkan di cabang bawah tidak ada pemilihan feature. Baik set data feature yang dipilih dan original dilewatkan ke widget Test & Score mereka sendiri, yang mengembangkan classifier Naif Bayes dan menilainya pada set test.

	[[File:Rank-and-Test.png\|center\|200px\|thumb]]		[[File:Rank-and-Test.png\|center\|200px\|thumb]]

	~~For datasets with many features~~, ~~a naive~~ Bayesian ~~classifier feature selection~~, ~~as shown above~~, ~~would often yield a better predictive accuracy~~.		Untuk dataset dengan banyak fitur, pemilihan fitur classifier Bayesian yang naif, seperti yang ditunjukkan di atas, seringkali menghasilkan akurasi prediksi yang lebih baik.

Onnowpurbo at 03:05, 31 January 2020

2020-01-31T03:05:48Z

← Older revision		Revision as of 03:05, 31 January 2020
Line 2:		Line 2:


	~~Ranking of attributes in classification or regression datasets~~.		Pemeringkatan atribut dalam klasifikasi atau regresi data.

	==Input==		==Input==
Line 13:		Line 13:
	Reduced Data: dataset with selected attributes		Reduced Data: dataset with selected attributes

	~~The~~ Rank ~~widget considers class-labeled datasets~~ (~~classification or regression~~) ~~and scores the attributes according to their correlation with the class~~. ~~Rank accepts also models for scoring~~, ~~such as~~ linear regression, logistic regression, random forest, SGD, ~~etc~~.		Widget Rank mempertimbangkan kumpulan data berlabel kelas (klasifikasi atau regresi) dan menilai atribut sesuai dengan korelasinya dengan kelas. Peringkat juga menerima model untuk penilaian, seperti linear regression, logistic regression, random forest, SGD, dll.

	[[File:Rank-stamped.png\|center\|200px\|thumb]]		[[File:Rank-stamped.png\|center\|200px\|thumb]]
Line 33:		Line 33:
	* FCBF (Fast Correlation Based Filter): entropy-based measure, which also identifies redundancy due to pairwise correlations between features		* FCBF (Fast Correlation Based Filter): entropy-based measure, which also identifies redundancy due to pairwise correlations between features

	~~Additionally~~, ~~you can connect certain learners that enable scoring the features according to how important they are in models that the learners build~~ (~~e.g~~. Linear Regression / Logistic Regression, Random Forest, SGD).		Selain itu, kita dapat menghubungkan learner tertentu yang memungkinkan penilaian feature berdasarkan seberapa penting mereka dalam model yang dibuat learner (mis. Linear Regression / Logistic Regression, Random Forest, SGD).

	==Example: Attribute Ranking and Selection==		==Example: Attribute Ranking and Selection==

	~~Below~~, ~~we have used the~~ Rank widget ~~immediately after the~~ File widget ~~to reduce the~~ set of data ~~attributes and include only the most informative ones~~:		Di bawah ini, kita telah menggunakan Rank widget segera setelah File widget untuk mengurangi set atribut data dan hanya menyertakan yang paling informatif:

	[[File:Rank-Select-Schema.png\|center\|200px\|thumb]]		[[File:Rank-Select-Schema.png\|center\|200px\|thumb]]

			Perhatikan bagaimana widget menghasilkan set data yang hanya menyertakan atribut dengan skor terbaik:
	~~Notice how the~~ widget ~~outputs a dataset that includes only the best-scored attributes~~:

	[[File:Rank-Select-Widgets.png\|center\|200px\|thumb]]		[[File:Rank-Select-Widgets.png\|center\|200px\|thumb]]

Onnowpurbo at 01:14, 28 January 2020

2020-01-28T01:14:24Z

← Older revision		Revision as of 01:14, 28 January 2020
Line 4:		Line 4:
	Ranking of attributes in classification or regression datasets.		Ranking of attributes in classification or regression datasets.

	~~Inputs~~		==Input==

	Data: input dataset		Data: input dataset
			Scorer: models for feature scoring

	~~Scorer: models for feature scoring~~		==Output==

	~~Outputs~~		Reduced Data: dataset with selected attributes

	Reduced Data: dataset with selected attributes

	The Rank widget considers class-labeled datasets (classification or regression) and scores the attributes according to their correlation with the class. Rank accepts also models for scoring, such as linear regression, logistic regression, random forest, SGD, etc.		The Rank widget considers class-labeled datasets (classification or regression) and scores the attributes according to their correlation with the class. Rank accepts also models for scoring, such as linear regression, logistic regression, random forest, SGD, etc.
Line 18:		Line 17:
	[[File:Rank-stamped.png\|center\|200px\|thumb]]		[[File:Rank-stamped.png\|center\|200px\|thumb]]

	Select attributes from the data table.		* Select attributes from the data table.
			* Data table with attributes (rows) and their scores by different scoring methods (columns)
			* Produce a report.
			* If ‘Send Automatically’ is ticked, the widget automatically communicates changes to other widgets.

	~~Data table with attributes (rows) and their scores by different scoring methods (columns)~~		==Scoring method==

	~~Produce a report.~~		Information Gain: the expected amount of information (reduction of entropy)

	~~If ‘Send Automatically’ is ticked~~, the ~~widget automatically communicates changes~~ to ~~other widgets.~~		* Gain Ratio: a ratio of the information gain and the attribute’s intrinsic information, which reduces the bias towards multivalued features that occurs in information gain
			* Gini: the inequality among values of a frequency distribution
			* ANOVA: the difference between average vaules of the feature in different classes
			* Chi2: dependence between the feature and the class as measure by the chi-square statistic
			* ReliefF: the ability of an attribute to distinguish between classes on similar data instances
			* FCBF (Fast Correlation Based Filter): entropy-based measure, which also identifies redundancy due to pairwise correlations between features

	~~Scoring methods~~		Additionally, you can connect certain learners that enable scoring the features according to how important they are in models that the learners build (e.g. Linear Regression / Logistic Regression, Random Forest, SGD).

	~~Information Gain: the expected amount of information (reduction of entropy)~~		==Example: Attribute Ranking and Selection==

	~~Gain Ratio: a ratio of the information gain and the attribute’s intrinsic information, which reduces the bias towards multivalued features that occurs in information gain~~
	~~Gini: the inequality among values of a frequency distribution~~
	~~ANOVA: the difference between average vaules of the feature in different classes~~
	~~Chi2: dependence between the feature and the class as measure by the chi-square statistic~~
	~~ReliefF: the ability of an attribute to distinguish between classes on similar data instances~~
	~~FCBF (Fast Correlation Based Filter): entropy-based measure, which also identifies redundancy due to pairwise correlations between features~~

	Additionally, you can connect certain learners that enable scoring the features according to how important they are in models that the learners build (e.g. Linear Regression / Logistic Regression, Random Forest, SGD).
	Example: Attribute Ranking and Selection

	Below, we have used the Rank widget immediately after the File widget to reduce the set of data attributes and include only the most informative ones:		Below, we have used the Rank widget immediately after the File widget to reduce the set of data attributes and include only the most informative ones: