Orange: Sieve Diagram - Revision history

Onnowpurbo: /* Contoh */

2020-04-05T06:36:24Z

Contoh

Onnowpurbo: /* Input */

2020-04-05T06:35:21Z

Input

Onnowpurbo at 06:34, 5 April 2020

2020-04-05T06:34:16Z

Onnowpurbo: /* Contoh */

2020-02-06T03:18:39Z

Contoh

Onnowpurbo at 03:13, 6 February 2020

2020-02-06T03:13:13Z

Onnowpurbo at 01:57, 28 January 2020

2020-01-28T01:57:44Z

Onnowpurbo at 07:51, 22 January 2020

2020-01-22T07:51:07Z

Onnowpurbo: Created page with "Sumber: https://docs.biolab.si//3/visual-programming/widgets/visualize/sievediagram.html Plots a sieve diagram for a pair of attributes. Inputs Data: input da..."

2020-01-12T11:14:37Z

Created page with "Sumber: https://docs.biolab.si//3/visual-programming/widgets/visualize/sievediagram.html Plots a sieve diagram for a pair of attributes. Inputs Data: input da..."

New page

Sumber: https://docs.biolab.si//3/visual-programming/widgets/visualize/sievediagram.html

Plots a sieve diagram for a pair of attributes.

Inputs

Data: input dataset

A Sieve Diagram is a graphical method for visualizing frequencies in a two-way contingency table and comparing them to expected frequencies under assumption of independence. It was proposed by Riedwyl and Schüpbach in a technical report in 1983 and later called a parquet diagram (Riedwyl and Schüpbach 1994). In this display, the area of each rectangle is proportional to the expected frequency, while the observed frequency is shown by the number of squares in each rectangle. The difference between observed and expected frequency (proportional to the standard Pearson residual) appears as the density of shading, using color to indicate whether the deviation from independence is positive (blue) or negative (red).

../../_images/SieveDiagram-stamped.png

Select the attributes you want to display in the sieve plot.

Score combinations enables you to fin the best possible combination of attributes.

Save Image saves the created image to your computer in a .svg or .png format.

Produce a report.

The snapshot below shows a sieve diagram for the Titanic dataset and has the attributes sex and survived (the latter is a class attribute in this dataset). The plot shows that the two variables are highly associated, as there are substantial differences between observed and expected frequencies in all of the four quadrants. For example, and as highlighted in the balloon, the chance for surviving the accident was much higher for female passengers than expected (0.06 vs. 0.15).

../../_images/SieveDiagram-Titanic.png

Pairs of attributes with interesting associations have a strong shading, such as the diagram shown in the above snapshot. For contrast, a sieve diagram of the least interesting pair (age vs. survival) is shown below.

../../_images/SieveDiagram-Titanic-age-survived.png
Example

Below, we see a simple schema using the Titanic dataset, where we use the Rank widget to select the best attributes (the ones with the highest information gain, gain ratio or Gini index) and feed them into the Sieve Diagram. This displays the sieve plot for the two best attributes, which in our case are sex and status. We see that the survival rate on the Titanic was very high for women of the first class and very low for female crew members.

../../_images/SieveDiagram-Example2.PNG

The Sieve Diagram also features the Score Combinations option, which makes the ranking of attributes even easier.

../../_images/SieveDiagram-Example1.PNG
References

Riedwyl, H., and Schüpbach, M. (1994). Parquet diagram to plot contingency tables. In Softstat ‘93: Advances in Statistical Software, F. Faulbaum (Ed.). New York: Gustav Fischer, 293-299.

==Referensi==

* https://docs.biolab.si//3/visual-programming/widgets/visualize/sievediagram.html

==Pranala Menarik==

* [[Orange]]

@@ Line 30: / Line 30: @@
 Di bawah ini, kita melihat skema sederhana menggunakan dataset Titanic, di mana kita menggunakan widget Rank untuk memilih atribut terbaik (atribut dengan highest information gain, gain ratio atau Gini index) dan memasukkannya ke dalam  widget Sieve Diagram. Di bawah ini tampilan sieve plot untuk dua atribut terbaik, yang dalam kasus kita adalah jenis kelamin dan status. Kita melihat bahwa tingkat kelangsungan hidup di Titanic sangat tinggi untuk wanita dari kelas satu dan sangat rendah untuk crew wanita.
-[[File:SieveDiagram-Example2.PNG|center|200px|thumb]]
+[[File:SieveDiagram-Example2.PNG|center|600px|thumb]]
 Widget Sieve Diagram juga menampilkan opsi Kombinasi Skor, yang membuat peringkat atribut lebih mudah.
-[[File:SieveDiagram-Example1.PNG|center|200px|thumb]]
+[[File:SieveDiagram-Example1.PNG|center|600px|thumb]]
 ==Referensi==

@@ Line 11: / Line 11: @@
 Sieve Diagram adalah metode grafis untuk memvisualisasikan frekuensi dalam tabel kontingensi dua arah dan membandingkannya dengan frekuensi yang diharapkan dengan asumsi independensi. Itu diusulkan oleh Riedwyl dan Schüpbach dalam laporan teknis pada tahun 1983 dan kemudian disebut parquet diagram  (Riedwyl dan Schüpbach 1994). Dalam tampilan widget Sieve Diagram, luas setiap persegi panjang sebanding dengan frekuensi yang diharapkan, sedangkan frekuensi yang diamati ditunjukkan oleh jumlah kotak di setiap persegi panjang. Perbedaan antara frekuensi yang diamati dan frekuensi yang diharapkan (sebanding dengan standard Pearson residual) muncul sebagai density of shading, menggunakan warna untuk menunjukkan apakah penyimpangan dari independensi positif (biru) atau negatif (merah).
-[[File:SieveDiagram-stamped.png|center|200px|thumb]]
+[[File:SieveDiagram-stamped.png|center|600px|thumb]]
 * Select the attributes you want to display in the sieve plot.
@@ Line 22: / Line 22: @@
 [[File:SieveDiagram-Titanic.png|center|600px|thumb]]
-Pasangan atribut dengan asosiasi yang menarik memiliki strong shading, seperti diagram yang ditunjukkan pada foto di atas. Sebagai kontras, sieve diagram dari pasangan yang paling tidak menarik (usia vs bertahan hidup) ditunjukkan di bawah ini.
+Pasangan atribut dengan asosiasi yang menarik memiliki strong shading, seperti diagram yang ditunjukkan pada widget Sievie Diagram di atas. Sebagai kontras, sieve diagram dari pasangan yang paling tidak menarik (usia vs bertahan hidup) ditunjukkan di bawah ini.
-[[File:SieveDiagram-Titanic-age-survived.png|center|200px|thumb]]
+[[File:SieveDiagram-Titanic-age-survived.png|center|600px|thumb]]
 ==Contoh==

@@ Line 3: / Line 3: @@
-Plot sieve diagram untuk sepasang atribut.
+Widget Sieve Diagram memplot sieve diagram untuk sepasang atribut.
 ==Input==
@@ Line 9: / Line 9: @@
   Data: input dataset
-Sieve Diagram adalah metode grafis untuk memvisualisasikan frekuensi dalam tabel kontingensi dua arah dan membandingkannya dengan frekuensi yang diharapkan dengan asumsi independensi. Itu diusulkan oleh Riedwyl dan Schüpbach dalam laporan teknis pada tahun 1983 dan kemudian disebut parquet diagram  (Riedwyl dan Schüpbach 1994). Dalam tampilan ini, luas setiap persegi panjang sebanding dengan frekuensi yang diharapkan, sedangkan frekuensi yang diamati ditunjukkan oleh jumlah kotak di setiap persegi panjang. Perbedaan antara frekuensi yang diamati dan frekuensi yang diharapkan (sebanding dengan standard Pearson residual) muncul sebagai density of shading, menggunakan warna untuk menunjukkan apakah penyimpangan dari independensi positif (biru) atau negatif (merah).
+Sieve Diagram adalah metode grafis untuk memvisualisasikan frekuensi dalam tabel kontingensi dua arah dan membandingkannya dengan frekuensi yang diharapkan dengan asumsi independensi. Itu diusulkan oleh Riedwyl dan Schüpbach dalam laporan teknis pada tahun 1983 dan kemudian disebut parquet diagram  (Riedwyl dan Schüpbach 1994). Dalam tampilan widget Sieve Diagram, luas setiap persegi panjang sebanding dengan frekuensi yang diharapkan, sedangkan frekuensi yang diamati ditunjukkan oleh jumlah kotak di setiap persegi panjang. Perbedaan antara frekuensi yang diamati dan frekuensi yang diharapkan (sebanding dengan standard Pearson residual) muncul sebagai density of shading, menggunakan warna untuk menunjukkan apakah penyimpangan dari independensi positif (biru) atau negatif (merah).
 [[File:SieveDiagram-stamped.png|center|200px|thumb]]
@@ Line 18: / Line 18: @@
 * Produce a report.
-Cuplikan di bawah ini menunjukkan sieve diagram untuk dataset Titanic dan memiliki atribut jenis kelamin dan survived (yang terakhir adalah atribut class dalam dataset ini). Plot menunjukkan bahwa kedua variabel sangat terkait, karena ada perbedaan besar antara frekuensi yang diamati dan yang diharapkan di keempat kuadran. Sebagai contoh, dan seperti yang disoroti dalam balon, peluang untuk selamat dari kecelakaan jauh lebih tinggi untuk penumpang wanita daripada yang diperkirakan (0,06 vs 0,15).
+Cuplikan widget Sieve Diagram di bawah ini menunjukkan sieve diagram untuk dataset Titanic dan memiliki atribut jenis kelamin dan survived (yang terakhir adalah atribut class dalam dataset ini). Plot menunjukkan bahwa kedua variabel sangat terkait, karena ada perbedaan besar antara frekuensi yang diamati dan yang diharapkan di keempat kuadran. Sebagai contoh, dan seperti yang disoroti dalam balon, peluang untuk selamat dari kecelakaan jauh lebih tinggi untuk penumpang wanita daripada yang diperkirakan (0,06 vs 0,15).
-[[File:SieveDiagram-Titanic.png|center|200px|thumb]]
+[[File:SieveDiagram-Titanic.png|center|600px|thumb]]
 Pasangan atribut dengan asosiasi yang menarik memiliki strong shading, seperti diagram yang ditunjukkan pada foto di atas. Sebagai kontras, sieve diagram dari pasangan yang paling tidak menarik (usia vs bertahan hidup) ditunjukkan di bawah ini.
@@ Line 28: / Line 28: @@
 ==Contoh==
-Di bawah ini, kita melihat skema sederhana menggunakan dataset Titanic, di mana kita menggunakan Rank widget untuk memilih atribut terbaik (atribut dengan highest information gain, gain ratio atau Gini index) dan memasukkannya ke dalam  Sieve Diagram. Ini menampilkan sieve plot untuk dua atribut terbaik, yang dalam kasus kita adalah jenis kelamin dan status. Kita melihat bahwa tingkat kelangsungan hidup di Titanic sangat tinggi untuk wanita dari kelas satu dan sangat rendah untuk crew wanita.
+Di bawah ini, kita melihat skema sederhana menggunakan dataset Titanic, di mana kita menggunakan widget Rank untuk memilih atribut terbaik (atribut dengan highest information gain, gain ratio atau Gini index) dan memasukkannya ke dalam  widget Sieve Diagram. Di bawah ini tampilan sieve plot untuk dua atribut terbaik, yang dalam kasus kita adalah jenis kelamin dan status. Kita melihat bahwa tingkat kelangsungan hidup di Titanic sangat tinggi untuk wanita dari kelas satu dan sangat rendah untuk crew wanita.
 [[File:SieveDiagram-Example2.PNG|center|200px|thumb]]
-Sieve Diagram juga menampilkan opsi Kombinasi Skor, yang membuat peringkat atribut lebih mudah.
+Widget Sieve Diagram juga menampilkan opsi Kombinasi Skor, yang membuat peringkat atribut lebih mudah.
 [[File:SieveDiagram-Example1.PNG|center|200px|thumb]]

@@ Line 28: / Line 28: @@
 ==Contoh==
-Below, we see a simple schema using the Titanic dataset, where we use the Rank widget to select the best attributes (the ones with the highest information gain, gain ratio or Gini index) and feed them into the Sieve Diagram. This displays the sieve plot for the two best attributes, which in our case are sex and status. We see that the survival rate on the Titanic was very high for women of the first class and very low for female crew members.
+Di bawah ini, kita melihat skema sederhana menggunakan dataset Titanic, di mana kita menggunakan Rank widget untuk memilih atribut terbaik (atribut dengan highest information gain, gain ratio atau Gini index) dan memasukkannya ke dalam  Sieve Diagram. Ini menampilkan sieve plot untuk dua atribut terbaik, yang dalam kasus kita adalah jenis kelamin dan status. Kita melihat bahwa tingkat kelangsungan hidup di Titanic sangat tinggi untuk wanita dari kelas satu dan sangat rendah untuk crew wanita.
 [[File:SieveDiagram-Example2.PNG|center|200px|thumb]]
-The Sieve Diagram also features the Score Combinations option, which makes the ranking of attributes even easier.
+Sieve Diagram juga menampilkan opsi Kombinasi Skor, yang membuat peringkat atribut lebih mudah.
 [[File:SieveDiagram-Example1.PNG|center|200px|thumb]]
 ==Referensi==

@@ Line 3: / Line 3: @@
-Plots a sieve diagram for a pair of attributes.
+Plot sieve diagram untuk sepasang atribut.
 ==Input==
@@ Line 9: / Line 9: @@
   Data: input dataset
-A Sieve Diagram is a graphical method for visualizing frequencies in a two-way contingency table and comparing them to expected frequencies under assumption of independence. It was proposed by Riedwyl and Schüpbach in a technical report in 1983 and later called a parquet diagram (Riedwyl and Schüpbach 1994). In this display, the area of each rectangle is proportional to the expected frequency, while the observed frequency is shown by the number of squares in each rectangle. The difference between observed and expected frequency (proportional to the standard Pearson residual) appears as the density of shading, using color to indicate whether the deviation from independence is positive (blue) or negative (red).
+Sieve Diagram adalah metode grafis untuk memvisualisasikan frekuensi dalam tabel kontingensi dua arah dan membandingkannya dengan frekuensi yang diharapkan dengan asumsi independensi. Itu diusulkan oleh Riedwyl dan Schüpbach dalam laporan teknis pada tahun 1983 dan kemudian disebut parquet diagram  (Riedwyl dan Schüpbach 1994). Dalam tampilan ini, luas setiap persegi panjang sebanding dengan frekuensi yang diharapkan, sedangkan frekuensi yang diamati ditunjukkan oleh jumlah kotak di setiap persegi panjang. Perbedaan antara frekuensi yang diamati dan frekuensi yang diharapkan (sebanding dengan standard Pearson residual) muncul sebagai density of shading, menggunakan warna untuk menunjukkan apakah penyimpangan dari independensi positif (biru) atau negatif (merah).
 [[File:SieveDiagram-stamped.png|center|200px|thumb]]
@@ Line 18: / Line 18: @@
 * Produce a report.
-The snapshot below shows a sieve diagram for the Titanic dataset and has the attributes sex and survived (the latter is a class attribute in this dataset). The plot shows that the two variables are highly associated, as there are substantial differences between observed and expected frequencies in all of the four quadrants. For example, and as highlighted in the balloon, the chance for surviving the accident was much higher for female passengers than expected (0.06 vs. 0.15).
+Cuplikan di bawah ini menunjukkan sieve diagram untuk dataset Titanic dan memiliki atribut jenis kelamin dan survived (yang terakhir adalah atribut class dalam dataset ini). Plot menunjukkan bahwa kedua variabel sangat terkait, karena ada perbedaan besar antara frekuensi yang diamati dan yang diharapkan di keempat kuadran. Sebagai contoh, dan seperti yang disoroti dalam balon, peluang untuk selamat dari kecelakaan jauh lebih tinggi untuk penumpang wanita daripada yang diperkirakan (0,06 vs 0,15).
 [[File:SieveDiagram-Titanic.png|center|200px|thumb]]
-Pairs of attributes with interesting associations have a strong shading, such as the diagram shown in the above snapshot. For contrast, a sieve diagram of the least interesting pair (age vs. survival) is shown below.
+Pasangan atribut dengan asosiasi yang menarik memiliki strong shading, seperti diagram yang ditunjukkan pada foto di atas. Sebagai kontras, sieve diagram dari pasangan yang paling tidak menarik (usia vs bertahan hidup) ditunjukkan di bawah ini.
 [[File:SieveDiagram-Titanic-age-survived.png|center|200px|thumb]]