Orange: Network From Distances - Revision history

Onnowpurbo: /* Contoh */

2020-04-06T09:40:05Z

Contoh

Onnowpurbo: /* Contoh */

2020-04-06T09:34:22Z

Contoh

Onnowpurbo: /* Output */

2020-04-06T09:28:54Z

Output

Onnowpurbo: /* Contoh */

2020-04-06T04:59:30Z

Contoh

Onnowpurbo at 04:58, 6 April 2020

2020-04-06T04:58:12Z

Onnowpurbo: /* Contoh */

2020-02-22T04:10:00Z

Contoh

Onnowpurbo: /* Output */

2020-02-22T04:04:24Z

Output

Onnowpurbo: /* Contoh */

2020-02-22T04:04:05Z

Contoh

Onnowpurbo at 04:02, 22 February 2020

2020-02-22T04:02:56Z

Onnowpurbo at 05:15, 29 January 2020

2020-01-29T05:15:30Z

@@ Line 38: / Line 38: @@
 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.
-[[File:Network-from-distances-example.png|center|200px|thumb]]
+[[File:Network-from-distances-example.png|center|600px|thumb]]
 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.

@@ Line 40: / Line 40: @@
 [[File:Network-from-distances-example.png|center|200px|thumb]]
-Kita akan mengambil iris.tab untuk memvisualisai kesamaan instance disebuah graph. We kita kirimkan 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 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.

@@ Line 16: / Line 16: @@
 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.
-[[File:Network-from-distances-stamped.png|center|200px|thumb]]
+[[File:Network-from-distances-stamped.png|center|600px|thumb]]
 * Edges:

@@ Line 40: / Line 40: @@
 [[File:Network-from-distances-example.png|center|200px|thumb]]
-Kita akan mengambil iris.tab untuk memvisualisai kesamaan instance disebuah graph. We kita kirimkan keluaran dari File widget ke Distances, dimana kita akan menghitung Euclidean distance antara dua baris (instance). Kemudian kita kirim output dari 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 akan mengambil iris.tab untuk memvisualisai kesamaan instance disebuah graph. We kita kirimkan 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 Network Explorer. Kita mewarnai node dengan iris attribute.
+Kita dapat mengamati network yang dibangun menggunakan widget Network Explorer. Kita mewarnai node dengan iris attribute.
 ==Referensi==

← Older revision		Revision as of 04:58, 6 April 2020
Line 2:		Line 2:


−		+	Widget Network From Distances membangun network dari distance antar instance.
−	~~Membangun~~ network dari distance antar instance.

	==Input==		==Input==

@@ Line 15: / Line 15: @@
   Distances: A distance matrix.
-Network dari Distance 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.
+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.
 [[File:Network-from-distances-stamped.png|center|200px|thumb]]

@@ Line 37: / Line 37: @@
 ==Contoh==
-Network from Distances creates networks from distance matrices. It can transform data sets from a data table via distance matrix into a network graph. This widget is great for visualizing instance similarity as a graph of connected instances.
+Widget Network from Distances membuat creates networks from distance matrices. It can transform data sets from a data table via distance matrix into a network graph. This widget is great for visualizing instance similarity as a graph of connected instances.
 [[File:Network-from-distances-example.png|center|200px|thumb]]
@@ Line 44: / Line 44: @@
 Then we observed the constructed network in a Network Explorer. We colored the nodes by iris attribute.
 ==Referensi==

@@ Line 3: / Line 3: @@
-Constructs a network from distances between instances.
+Membangun network dari distance antar instance.
 ==Input==
@@ Line 15: / Line 15: @@
   Distances: A distance matrix.
-Network from Distances constructs a network graph from a given distance matrix. Graph is constructed by connecting nodes from the matrix where the distance between nodes is below the given threshold. In other words, all instances with a distance lower than the selected threshold, will be connected.
+Network dari Distance 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.
 [[File:Network-from-distances-stamped.png|center|200px|thumb]]

@@ Line 5: / Line 5: @@
 Constructs a network from distances between instances.
-Inputs
+==Input==
-    Distances: A distance matrix.
+ Distances: A distance matrix.
-Outputs
+==Output==
-    Network: An instance of Network Graph.
+ Network: An instance of Network Graph.
-    Data: Attribute-valued data set.
+ Data: Attribute-valued data set.
-    Distances: A distance matrix.
+ Distances: A distance matrix.
 Network from Distances constructs a network graph from a given distance matrix. Graph is constructed by connecting nodes from the matrix where the distance between nodes is below the given threshold. In other words, all instances with a distance lower than the selected threshold, will be connected.
@@ Line 19: / Line 19: @@
 [[File:Network-from-distances-stamped.png|center|200px|thumb]]
-    Edges:
+* Edges:
-        Distance threshold: a closeness threshold for the formation of edges.
+** Distance threshold: a closeness threshold for the formation of edges.
-        Percentile: the percentile of data instances to be connected.
+** Percentile: the percentile of data instances to be connected.
-        Include also closest neighbors: include a number of closest neighbors to the selected instances.
+** Include also closest neighbors: include a number of closest neighbors to the selected instances.
-    Node selection:
+* Node selection:
-        Keep all nodes: entire network is on the output.
+** 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.
+** 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.
+** Largest connected component: keep only the largest cluster.
-    Edge weights:
+* Edge weights:
-        Proportional to distance: weights are set to reflect the distance (closeness).
+** Proportional to distance: weights are set to reflect the distance (closeness).
-        Inverted distance: weights are set to reflect the inverted distance (difference).
+** Inverted distance: weights are set to reflect the inverted distance (difference).
-    Information on the constructed network:
+* Information on the constructed network:
-        Data items on input: number of instances on the input.
+** 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 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).
+** Network edges: number of constructed edges/connections (and the average number of connections per node).
 ==Contoh==