Orange: Constant - Revision history

Onnowpurbo: /* Referensi */

2020-04-09T23:42:08Z

Referensi

Onnowpurbo: /* Contoh */

2020-04-09T21:10:21Z

Contoh

Onnowpurbo: /* Output */

2020-02-27T01:18:01Z

Output

Onnowpurbo: /* Contoh */

2020-02-27T01:13:48Z

Contoh

Onnowpurbo: /* Contoh */

2020-02-27T01:01:22Z

Contoh

Onnowpurbo: /* Contoh */

2020-02-27T00:45:22Z

Contoh

Onnowpurbo: /* Output */

2020-02-27T00:31:48Z

Output

Onnowpurbo at 00:26, 27 February 2020

2020-02-27T00:26:05Z

Onnowpurbo at 02:35, 28 January 2020

2020-01-28T02:35:42Z

Onnowpurbo at 01:35, 23 January 2020

2020-01-23T01:35:40Z

← Older revision		Revision as of 23:42, 9 April 2020
Line 40:		Line 40:

	[[File:Constant-regression.png\|center\|600px\|thumb]]		[[File:Constant-regression.png\|center\|600px\|thumb]]
		+
		+	==Youtube==
		+
		+	* [https://www.youtube.com/watch?v=8c1jQkI8NCY YOUTUBE: Model Constant & CN2 Rule Inducer]

	==Referensi==		==Referensi==

@@ Line 35: / Line 35: @@
 Dalam contoh klasifikasi tipikal, kita akan menggunakan widget contant ini untuk membandingkan skor algoritma learner lainnya (seperti kNN) dengan skor default. Gunakan dataset iris dan connect ke Test & Score. Kemudian hubungkan Constant dan kNN ke Test & Score dan amati seberapa baik kinerja kNN terhadap baseline Constant.
-[[File:Constant-classification.png|center|200px|thumb]]
+[[File:Constant-classification.png|center|600px|thumb]]
 Dalam penggunakan Widget Constant untuk regresi, kita menggunakan Widget Constant untuk membuat prediktor dalam Prediction. Kita menggunakan dataset housing. Dalam Prediction, kita dapat melihat bahwa Mean Learner mengembalikan satu (rata-rata) nilai untuk semua instance.
-[[File:Constant-regression.png|center|200px|thumb]]
+[[File:Constant-regression.png|center|600px|thumb]]
 ==Referensi==

@@ Line 14: / Line 14: @@
   Model: trained model
-Learner ini akan menghasilkan model yang selalu memprediksi mayoritas untuk classification atau nilai rata-rata untuk regresi.
+Pada Widget Constant, Learner akan menghasilkan model yang selalu memprediksi mayoritas untuk classification atau nilai rata-rata untuk regresi.
 Untuk classification, ketika memprediksi nilai class dengan Prediction, widget ini akan menghasilkan frekuensi relative dari class yang ada di training set. Jika ada dua atau lebih majority class, classifier akan memilih secara random dari predicted class, tapi akan selalu menghasilkan class yang sama untuk contoh tersebut.

@@ Line 37: / Line 37: @@
 [[File:Constant-classification.png|center|200px|thumb]]
-Untuk regresi, kita menggunakan Widget Constant untuk membuat prediktor dalam Prediction. Kita menggunakan dataset housing. Dalam Prediction, kita dapat melihat bahwa Mean Learner mengembalikan satu (rata-rata) nilai untuk semua instance.
+Dalam penggunakan Widget Constant untuk regresi, kita menggunakan Widget Constant untuk membuat prediktor dalam Prediction. Kita menggunakan dataset housing. Dalam Prediction, kita dapat melihat bahwa Mean Learner mengembalikan satu (rata-rata) nilai untuk semua instance.
 [[File:Constant-regression.png|center|200px|thumb]]

@@ Line 33: / Line 33: @@
 ==Contoh==
-Dalam contoh klasifikasi tipikal, kita akan menggunakan widget contant ini untuk membandingkan skor algoritma pembelajaran lainnya (seperti kNN) dengan skor default. Gunakan dataset iris dan connect ke Test & Score. Kemudian hubungkan Constant dan kNN ke Test & Score dan amati seberapa baik kinerja kNN terhadap baseline Constant.
+Dalam contoh klasifikasi tipikal, kita akan menggunakan widget contant ini untuk membandingkan skor algoritma learner lainnya (seperti kNN) dengan skor default. Gunakan dataset iris dan connect ke Test & Score. Kemudian hubungkan Constant dan kNN ke Test & Score dan amati seberapa baik kinerja kNN terhadap baseline Constant.
 [[File:Constant-classification.png|center|200px|thumb]]
-Untuk regresi, kita menggunakan Constant untuk membuat prediktor dalam Prediction. Kita menggunakan dataset housing. Dalam Prediction, kita dapat melihat bahwa Mean Learner mengembalikan satu (rata-rata) nilai untuk semua instance.
+Untuk regresi, kita menggunakan Widget Constant untuk membuat prediktor dalam Prediction. Kita menggunakan dataset housing. Dalam Prediction, kita dapat melihat bahwa Mean Learner mengembalikan satu (rata-rata) nilai untuk semua instance.
 [[File:Constant-regression.png|center|200px|thumb]]

@@ Line 26: / Line 26: @@
 Widget ini memberi pengguna dengan dua pilihan:
-* The name under which it will appear in other widgets. Default name is “Constant”.
+* Nama yang digunakan dan muncul di widget lain. Default name adalah “Constant”.
-* Produce a report.
+* Menghasilkan report.
-If you change the widget’s name, you need to click Apply. Alternatively, tick the box on the left side and changes will be communicated automatically.
+Jika anda mengubah nama widget, anda perlu mengklik Apply. Atau, centang kotak di sisi kiri dan perubahan akan dikomunikasikan secara otomatis.
 ==Contoh==

@@ Line 2: / Line 2: @@
-Predict the most frequent class or mean value from the training set.
+Memprediksi most frequent class atau mean value dari sebuah training set.
 ==Input==
   Data: input dataset
-  Preprocessor: preprocessing method(s)
+  Preprocessor: preprocessing method
 ==Output==
@@ Line 14: / Line 14: @@
   Model: trained model
-This learner produces a model that always predicts themajority for classification tasks and mean value for regression tasks.
+Learner ini akan menghasilkan model yang selalu memprediksi mayoritas untuk classification atau nilai rata-rata untuk regresi.
-For classification, when predicting the class value with Predictions, the widget will return relative frequencies of the classes in the training set. When there are two or more majority classes, the classifier chooses the predicted class randomly, but always returns the same class for a particular example.
+Untuk classification, ketika memprediksi nilai class dengan Prediction, widget ini akan menghasilkan frekuensi relative dari class yang ada di training set. Jika ada dua atau lebih majority class, classifier akan memilih secara random dari predicted class, tapi akan selalu menghasilkan class yang sama untuk contoh tersebut.
-For regression, it learns the mean of the class variable and returns a predictor with the same mean value.
+Untuk regression, dia akan mempelajari rata-rata dari varibel dan menghasilkan predictor dengan nilai rata-rata yang sama.
-The widget is typically used as a baseline for other models.
+Widget ini biasanya digunakan sebagai baseline untuk model lainnya.
 [[File:Constant-stamped.png|center|200px|thumb]]
-This widget provides the user with two options:
+Widget ini memberi pengguna dengan dua pilihan:
 * The name under which it will appear in other widgets. Default name is “Constant”.