Orange: Network From Distances
Sumber: https://orange.biolab.si/widget-catalog/networks/networkfromdistances/
Widget Network From Distances membangun network dari distance antar instance.
Input
Distances: A distance matrix.
Output
Network: An instance of Network Graph. Data: Attribute-valued data set. Distances: A distance matrix.
Widget Network from Distances membangun sebuah network graph dari sebuah distance matrix yang diberikan. Graph dibangun dengan connecting node dari matrix dimana distance antar node dibawah dari threshold yang diberikan. Dengan kata lain, semua instance dengan distance di bawah threshold yang di tentukan, akan tersambung /connected.
- Edges:
- Distance threshold: a closeness threshold for the formation of edges.
- Percentile: the percentile of data instances to be connected.
- Include also closest neighbors: include a number of closest neighbors to the selected instances.
- Node selection:
- Keep all nodes: entire network is on the output.
- Components with at least X nodes: filters out nodes with less than the set number of nodes.
- Largest connected component: keep only the largest cluster.
- Edge weights:
- Proportional to distance: weights are set to reflect the distance (closeness).
- Inverted distance: weights are set to reflect the inverted distance (difference).
- Information on the constructed network:
- Data items on input: number of instances on the input.
- Network nodes: number of nodes in the network (and the percentage of the original data).
- Network edges: number of constructed edges/connections (and the average number of connections per node).
Contoh
Widget Network from Distances membuat network dari distance matrix. Ini akan mentransformasikan data set dari sebuah tabel data melalui distance matrix menjadi sebuah network graph. Widget ini sangat baik untuk memvisualisasi kesamaan sebagai sebuah graph dari connected instance.
Kita akan mengambil iris.tab untuk memvisualisasi kesamaan instance disebuah graph. Kita kirim keluaran dari widget File ke widget Distances, dimana kita akan menghitung Euclidean distance antara dua baris (instance). Kemudian kita kirim output dari widget Distances ke widget Network from Distances, dimana kita set distance threshold (seberapa sama instance yang akan digambarkan edge antara mereka) ke 0.222. Kita akan menyimpan semua node dan set beban edge akan proporsional ke distance.
Kita dapat mengamati network yang dibangun menggunakan widget Network Explorer. Kita mewarnai node dengan iris attribute.
Referensi