Orange: Rank - Revision history

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

2020-04-20T02:56:43Z

Example: Feature Subset Selection for Machine Learning

Onnowpurbo: /* Output */

2020-04-20T02:16:52Z

Output

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

2020-04-18T07:46:14Z

Example: Feature Subset Selection for Machine Learning

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

2020-04-18T07:45:46Z

Example: Feature Subset Selection for Machine Learning

Onnowpurbo: /* Output */

2020-04-16T08:30:43Z

Output

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

2020-04-11T23:06:49Z

Example: Feature Subset Selection for Machine Learning

Onnowpurbo at 23:06, 11 April 2020

2020-04-11T23:06:03Z

Onnowpurbo at 03:12, 31 January 2020

2020-01-31T03:12:42Z

Onnowpurbo at 03:05, 31 January 2020

2020-01-31T03:05:48Z

Onnowpurbo at 01:14, 28 January 2020

2020-01-28T01:14:24Z

@@ Line 47: / Line 47: @@
 ==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]]

@@ Line 13: / Line 13: @@
   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]]

@@ 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.
 [[File:Rank-and-Test.png|center|600px|thumb]]
 ==Referensi==

@@ Line 47: / Line 47: @@
 ==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]]

@@ 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.
-[[File:Rank-stamped.png|center|200px|thumb]]
+[[File:Rank-stamped.png|center|600px|thumb]]
 * Select attributes from the data table.

@@ Line 2: / Line 2: @@
-Pemeringkatan atribut dalam klasifikasi atau regresi data.
+Widget Rank menghitung pemeringkatan atribut dalam klasifikasi atau regresi data.
 ==Input==
@@ Line 13: / Line 13: @@
   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]]
@@ Line 37: / Line 37: @@
 ==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==
-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.

@@ Line 4: / Line 4: @@
 Ranking of attributes in classification or regression datasets.
-Inputs
+==Input==
-    Data: input dataset
+ Data: input dataset
-    Scorer: models for feature scoring
+==Output==
-Outputs
+ 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.
@@ Line 18: / Line 17: @@
 [[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)
+==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
-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==
 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: