Orange: Outliers - Revision history

Onnowpurbo at 07:00, 18 April 2020

2020-04-18T07:00:29Z

Onnowpurbo at 06:59, 18 April 2020

2020-04-18T06:59:05Z

Onnowpurbo at 01:48, 31 January 2020

2020-01-31T01:48:01Z

Onnowpurbo at 06:25, 27 January 2020

2020-01-27T06:25:45Z

Onnowpurbo at 01:47, 22 January 2020

2020-01-22T01:47:40Z

Onnowpurbo: Created page with "Sumber: https://docs.biolab.si//3/visual-programming/widgets/data/outliers.html Simple outlier detection by comparing distances between instances. Inputs Data: input d..."

2020-01-11T00:40:16Z

Created page with "Sumber: https://docs.biolab.si//3/visual-programming/widgets/data/outliers.html Simple outlier detection by comparing distances between instances. Inputs Data: input d..."

New page

Sumber: https://docs.biolab.si//3/visual-programming/widgets/data/outliers.html

Simple outlier detection by comparing distances between instances.

Inputs

Data: input dataset

Distances: distance matrix

Outputs

Outliers: instances scored as outliers

Inliers: instances not scored as outliers

The Outliers widget applies one of the two methods for outlier detection. Both methods apply classification to the dataset, one with SVM (multiple kernels) and the other with elliptical envelope. One-class SVM with non-linear kernels (RBF) performs well with non-Gaussian distributions, while Covariance estimator works only for data with Gaussian distribution.

../../_images/Outliers-stamped.png

Information on the input data, number of inliers and outliers based on the selected model.

Select the Outlier detection method:

One class SVM with non-linear kernel (RBF): classifies data as similar or different from the core class:

Nu is a parameter for the upper bound on the fraction of training errors and a lower bound of the fraction of support vectors

Kernel coefficient is a gamma parameter, which specifies how much influence a single data instance has

Covariance estimator: fits ellipsis to central points with Mahalanobis distance metric

Contamination is the proportion of outliers in the dataset

Support fraction specifies the proportion of points included in the estimate

Produce a report.

Click Detect outliers to output the data.

Example

Below, is a simple example of how to use this widget. We used the Iris dataset to detect the outliers. We chose the one class SVM with non-linear kernel (RBF) method, with Nu set at 20% (less training errors, more support vectors). Then we observed the outliers in the Data Table widget, while we sent the inliers to the Scatter Plot.

../../_images/Outliers-Example.png

==Referensi==

* https://docs.biolab.si//3/visual-programming/widgets/data/outliers.html

==Pranala Menarik==

* [[Orange]]

@@ Line 1: / Line 1: @@
 Sumber: https://docs.biolab.si//3/visual-programming/widgets/data/outliers.html
-Widget Outliers mendeteksi outlier sederhana dengan membandingkan jarak antar instance.
+Widget [[Outliers]] mendeteksi outlier sederhana dengan membandingkan jarak antar instance.
 ==Input==
@@ Line 13: / Line 13: @@
   Inliers: instances not scored as outliers
-Widget Outliers menerapkan salah satu dari dua metode untuk mendeteksi outlier. Kedua metode menerapkan klasifikasi ke dataset, satu dengan SVM (multiple kernel) dan yang lainnya dengan elliptical envelope. SVM satu kelas dengan non-linear kernel (RBF) berkinerja baik untuk distribusi non-Gaussian, sedangkan estimator Covariance hanya berfungsi untuk data dengan distribusi Gaussian.
+Widget [[Outliers]] menerapkan salah satu dari dua metode untuk mendeteksi outlier. Kedua metode menerapkan klasifikasi ke dataset, satu dengan SVM (multiple kernel) dan yang lainnya dengan elliptical envelope. SVM satu kelas dengan non-linear kernel (RBF) berkinerja baik untuk distribusi non-Gaussian, sedangkan estimator Covariance hanya berfungsi untuk data dengan distribusi Gaussian.
 [[File:Outliers-stamped.png|center|400px|thumb]]
@@ Line 31: / Line 31: @@
 ==Contoh==
-Di bawah, adalah contoh sederhana cara menggunakan widget Outliers. Kita menggunakan dataset Iris untuk mendeteksi outlier. Kita memilih satu kelas SVM dengan metode non-linear kernel(RBF), dengan Nu ditetapkan pada 20% (lebih sedikit kesalahan pelatihan, lebih banyak vektor dukungan). Kemudian kita mengamati outliers di widget Data Table, sementara kita mengirim inliers ke widget Scatter Plot.
+Di bawah, adalah contoh sederhana cara menggunakan widget Outliers. Kita menggunakan dataset Iris untuk mendeteksi outlier. Kita memilih satu kelas SVM dengan metode non-linear kernel(RBF), dengan Nu ditetapkan pada 20% (lebih sedikit kesalahan pelatihan, lebih banyak vektor dukungan). Kemudian kita mengamati [[Outliers]] di widget Data Table, sementara kita mengirim inliers ke widget Scatter Plot.
 [[File:Outliers-Example.png|center|600px|thumb]]

@@ Line 1: / Line 1: @@
 Sumber: https://docs.biolab.si//3/visual-programming/widgets/data/outliers.html
-Deteksi outlier sederhana dengan membandingkan jarak antar instance.
+Widget Outliers mendeteksi outlier sederhana dengan membandingkan jarak antar instance.
 ==Input==
@@ Line 13: / Line 13: @@
   Inliers: instances not scored as outliers
-Outliers widget menerapkan salah satu dari dua metode untuk deteksi outlier. Kedua metode menerapkan klasifikasi ke dataset, satu dengan SVM (multiple kernel) dan yang lainnya dengan elliptical envelope. SVM satu kelas dengan non-linear kernel (RBF) berkinerja baik dengan distribusi non-Gaussian, sedangkan estimator Covariance hanya berfungsi untuk data dengan distribusi Gaussian.
+Widget Outliers menerapkan salah satu dari dua metode untuk mendeteksi outlier. Kedua metode menerapkan klasifikasi ke dataset, satu dengan SVM (multiple kernel) dan yang lainnya dengan elliptical envelope. SVM satu kelas dengan non-linear kernel (RBF) berkinerja baik untuk distribusi non-Gaussian, sedangkan estimator Covariance hanya berfungsi untuk data dengan distribusi Gaussian.
-[[File:Outliers-stamped.png|center|200px|thumb]]
+[[File:Outliers-stamped.png|center|400px|thumb]]
@@ Line 31: / Line 31: @@
 ==Contoh==
-Di bawah, adalah contoh sederhana cara menggunakan widget ini. Kita menggunakan dataset Iris untuk mendeteksi outlier. Kita memilih satu kelas SVM dengan metode non-linear kernel(RBF), dengan Nu ditetapkan pada 20% (lebih sedikit kesalahan pelatihan, lebih banyak vektor dukungan). Kemudian kita mengamati outliers di  Data Table widget, sementara kita mengirim inliers ke Scatter Plot.
+Di bawah, adalah contoh sederhana cara menggunakan widget Outliers. Kita menggunakan dataset Iris untuk mendeteksi outlier. Kita memilih satu kelas SVM dengan metode non-linear kernel(RBF), dengan Nu ditetapkan pada 20% (lebih sedikit kesalahan pelatihan, lebih banyak vektor dukungan). Kemudian kita mengamati outliers di widget Data Table, sementara kita mengirim inliers ke widget Scatter Plot.
-[[File:Outliers-Example.png|center|200px|thumb]]
+[[File:Outliers-Example.png|center|600px|thumb]]

@@ Line 1: / Line 1: @@
 Sumber: https://docs.biolab.si//3/visual-programming/widgets/data/outliers.html
+Deteksi outlier sederhana dengan membandingkan jarak antar instance.
 ==Input==
@@ Line 14: / Line 13: @@
   Inliers: instances not scored as outliers
-The Outliers widget applies one of the two methods for outlier detection. Both methods apply classification to the dataset, one with SVM (multiple kernels) and the other with elliptical envelope. One-class SVM with non-linear kernels (RBF) performs well with non-Gaussian distributions, while Covariance estimator works only for data with Gaussian distribution.
+Outliers widget menerapkan salah satu dari dua metode untuk deteksi outlier. Kedua metode menerapkan klasifikasi ke dataset, satu dengan SVM (multiple kernel) dan yang lainnya dengan elliptical envelope. SVM satu kelas dengan non-linear kernel (RBF) berkinerja baik dengan distribusi non-Gaussian, sedangkan estimator Covariance hanya berfungsi untuk data dengan distribusi Gaussian.
 [[File:Outliers-stamped.png|center|200px|thumb]]
@@ Line 32: / Line 31: @@
 ==Contoh==
-Below, is a simple example of how to use this widget. We used the Iris dataset to detect the outliers. We chose the one class SVM with non-linear kernel (RBF) method, with Nu set at 20% (less training errors, more support vectors). Then we observed the outliers in the Data Table widget, while we sent the inliers to the Scatter Plot.
+Di bawah, adalah contoh sederhana cara menggunakan widget ini. Kita menggunakan dataset Iris untuk mendeteksi outlier. Kita memilih satu kelas SVM dengan metode non-linear kernel(RBF), dengan Nu ditetapkan pada 20% (lebih sedikit kesalahan pelatihan, lebih banyak vektor dukungan). Kemudian kita mengamati outliers di  Data Table widget, sementara kita mengirim inliers ke Scatter Plot.
 [[File:Outliers-Example.png|center|200px|thumb]]

@@ Line 4: / Line 4: @@
 Simple outlier detection by comparing distances between instances.
-Inputs
+==Input==
-    Data: input dataset
+ Data: input dataset
-    Distances: distance matrix
+==Output==
-Outputs
+ Outliers: instances scored as outliers
+ Inliers: instances not scored as outliers
 The Outliers widget applies one of the two methods for outlier detection. Both methods apply classification to the dataset, one with SVM (multiple kernels) and the other with elliptical envelope. One-class SVM with non-linear kernels (RBF) performs well with non-Gaussian distributions, while Covariance estimator works only for data with Gaussian distribution.
@@ Line 21: / Line 19: @@
-    Information on the input data, number of inliers and outliers based on the selected model.
+* Information on the input data, number of inliers and outliers based on the selected model.
+* Select the Outlier detection method:
-    Select the Outlier detection method:
+** One class SVM with non-linear kernel (RBF): classifies data as similar or different from the core class:
+*** Nu is a parameter for the upper bound on the fraction of training errors and a lower bound of the fraction of support vectors
-        One class SVM with non-linear kernel (RBF): classifies data as similar or different from the core class:
+*** Kernel coefficient is a gamma parameter, which specifies how much influence a single data instance has
+** Covariance estimator: fits ellipsis to central points with Mahalanobis distance metric
-            Nu is a parameter for the upper bound on the fraction of training errors and a lower bound of the fraction of support vectors
+*** Contamination is the proportion of outliers in the dataset
+*** Support fraction specifies the proportion of points included in the estimate
-            Kernel coefficient is a gamma parameter, which specifies how much influence a single data instance has
+* Produce a report.
+* Click Detect outliers to output the data.
 ==Contoh==