Orange: The Data - Revision history

Onnowpurbo: /* Data Selection and Sampling */

2020-01-09T08:28:00Z

Data Selection and Sampling

Onnowpurbo: /* Missing Values */

2020-01-09T08:24:35Z

Missing Values

Onnowpurbo: /* Meta Attributes */

2020-01-09T08:21:42Z

Meta Attributes

Onnowpurbo: /* Orange Dataset dan NumPy */

2020-01-09T08:16:46Z

Orange Dataset dan NumPy

Onnowpurbo: /* Orange Dataset dan NumPy */

2020-01-09T04:32:55Z

Orange Dataset dan NumPy

Onnowpurbo: /* Orange Datasets and NumPy */

2020-01-09T04:31:13Z

Orange Datasets and NumPy

Onnowpurbo: /* Data Instances */

2020-01-09T04:30:50Z

Data Instances

Onnowpurbo: /* Explorasi Data Domain */

2020-01-09T04:21:00Z

Explorasi Data Domain

Onnowpurbo: /* Exploration Data Domain */

2020-01-09T04:18:36Z

Exploration Data Domain

Onnowpurbo: /* Exploration of the Data Domain */

2020-01-09T04:02:41Z

Exploration of the Data Domain

@@ Line 337: / Line 337: @@
-==Data Selection and Sampling==
+==Data Selection dan Sampling==
-Besides the name of the data file, Orange.data.Table can accept the data domain and a list of data items and returns a new dataset. This is useful for any data subsetting:
+Selain nama file data, Orange.data.Table dapat menerima domain data dan list item data dan mengembalikan sebagai dataset baru. Ini berguna untuk setiap subset data:
   data = Orange.data.Table("iris.tab")
@@ Line 346: / Line 346: @@
   print("Subset size:", len(subset))
-The code outputs:
+Output code ini:
   Dataset instances: 150
   Subset size: 99
-and inherits the data description (domain) from the original dataset. Changing the domain requires setting up a new domain descriptor. This feature is useful for any kind of feature selection:
+dan inherit deskripsi data (domain) dari dataset asli. Mengubah domain memerlukan pengaturan deskriptor domain baru. Fitur ini berguna untuk segala jenis pemilihan fitur:
   data = Orange.data.Table("iris.tab")
@@ Line 363: / Line 363: @@
   print(new_data[0])
-We could also construct a random sample of the dataset:
+Kita juga dapat membuat sampel acak dataset:
   >>> sample = Orange.data.Table(data.domain, random.sample(data, 3))
@@ Line 372: / Line 372: @@
+  ]
-or randomly sample the attributes:
+atau sampel acak dari atribut:
   >>> atts = random.sample(data.domain.attributes, 2)
@@ Line 379: / Line 379: @@
   >>> new_data[0]
   [5.100, 1.400 | Iris-setosa]
 ==Referensi==

@@ Line 306: / Line 306: @@
 Untuk membangun domain classless, kita bisa memasukan None untuk nilai class.
-==Missing Values==
+==Missing Value==
-Consider the following exploration of the dataset on votes of the US senate:
+Pertimbangkan eksplorasi dataset berikut tentang vote pada senat US:
   >>> import numpy as np
@@ Line 319: / Line 319: @@
   False
-The particular data instance included missing data (represented with ‘?’) for the first and the fourth attribute. In the original dataset file, the missing values are, by default, represented with a blank space. We can now examine each attribute and report on proportion of data instances for which this feature was undefined:
+Contoh data termasuk didalamnya data yang hilang (diwakili dengan ‘?’) Untuk atribut pertama dan keempat. Dalam file dataset asli, nilai-nilai yang hilang, secara default, diwakili dengan ruang kosong. Kita sekarang dapat memeriksa setiap atribut dan melaporkan proporsi instance data yang fitur ini tidak terdefinisi:
   data = Orange.data.Table("voting.tab")
@@ Line 326: / Line 326: @@
       print("%4.1f%% %s" % (100.0 * n_miss / len(data), x.name))
-First three lines of the output of this script are:
+Tiga baris pertama dari output skrip ini adalah:
 .8% handicapped-infants
@@ Line 332: / Line 332: @@
 .5% adoption-of-the-budget-resolution
-A single-liner that reports on number of data instances with at least one missing value is:
+Satu baris yang melaporkan jumlah instance data dengan setidaknya satu nilai yang hilang adalah:
   >>> sum(any(np.isnan(d[x]) for x in data.domain.attributes) for d in data)

@@ Line 246: / Line 246: @@
    [big, 1.400, square | 13.400]
-==Meta Attributes==
+==Meta Attribute==
-Often, we wish to include descriptive fields in the data that will not be used in any computation (distance estimation, modeling), but will serve for identification or additional information. These are called meta attributes, and are marked with meta in the third header row:
+Seringkali, kita ingin memasukkan deskriptive field dalam data yang tidak akan digunakan dalam perhitungan apa pun (estimasi jarak, pemodelan), tetapi akan berfungsi untuk identifikasi atau informasi tambahan. Ini disebut atribut meta, dan ditandai dengan meta di baris header ketiga:
   name	hair	eggs	milk	backbone	legs	type
@@ Line 258: / Line 258: @@
   bear	1	0	1	1	4	mammal
-Values of meta attributes and all other (non-meta) attributes are treated similarly in Orange, but stored in separate numpy arrays:
+Nilai atribut meta dan semua atribut lainnya (non-meta) diperlakukan serupa di Orange, tetapi disimpan dalam array numpy yang terpisah:
   >>> data = Orange.data.Table("zoo")
@@ Line 281: / Line 281: @@
          ['bear']], dtype=object))
-Meta attributes may be passed to Orange.data.Table after providing arrays for attribute and class values:
+Atribut meta akan diteruskan ke Orange.data.Table setelah menyediakan array untuk nilai atribut dan class:
   from Orange.data import Table, Domain
@@ Line 299: / Line 299: @@
   print(data)
-The script outputs:
+Output script:
   [[2.200, 1625.000 | no] {houston, 10},
    [0.300, 163.000 | yes] {ljubljana, -1}
-To construct a classless domain we could pass None for the class values.
+Untuk membangun domain classless, kita bisa memasukan None untuk nilai class.
 ==Missing Values==

@@ Line 195: / Line 195: @@
 ==Orange Dataset dan NumPy==
-Dataset Orange sebenarnya di wrapped oleh NumPy array. Wrapping dilakukan untuk menyimpan informasi tentang nama-nama dan nilai-nilai fitur, dan NumPy arraydigunakan untuk kecepatan dan kompatibilitas dengan machine learning toolbox yang berbeda, seperti scikit-learning, yang menjadi sandaran Orange. Mari kita tampilkan nilai array ini untuk tiga contoh data pertama dari dataset iris:
+Dataset Orange sebenarnya di wrapped oleh NumPy array. Wrapping dilakukan untuk menyimpan informasi tentang nama-nama dan nilai-nilai fitur, dan NumPy array digunakan untuk kecepatan dan kompatibilitas dengan machine learning toolbox yang berbeda, seperti scikit-learning, yang menjadi sandaran Orange. Mari kita tampilkan nilai array ini untuk tiga contoh data pertama dari dataset iris:
   >>> data = Orange.data.Table("iris")
@@ Line 205: / Line 205: @@
   array([ 0.,  0.,  0.])
-Notice that we access the arrays for attributes and class separately, using data.X and data.Y. Average values of attributes can then be computed efficiently by:
+Perhatikan bahwa kita mengakses array untuk atribut dan class secara terpisah, menggunakan data.X dan data.Y. Nilai rata-rata atribut kemudian dapat dihitung secara efisien dengan:
   >>> import np as numpy
@@ Line 211: / Line 211: @@
   array([ 5.84333333,  3.054     ,  3.75866667,  1.19866667])
-We can also construct a (classless) dataset from a numpy array:
+Kita juga dapat membuat dataset (classless) dari numpy array:
   >>> X = np.array([[1,2], [4,5]])
@@ Line 218: / Line 218: @@
   [Feature 1, Feature 2]
-If we want to provide meaninful names to attributes, we need to construct an appropriate data domain:
+Jika kita ingin memberikan nama yang bermakna bagi atribut, kita perlu membuat domain data yang sesuai:
   >>> domain = Orange.data.Domain([Orange.data.ContinuousVariable("lenght"),
@@ Line 226: / Line 226: @@
   [lenght, width]
-Here is another example, this time with the construction of a dataset that includes a numerical class and different types of attributes:
+Berikut adalah contoh lain, kali ini dengan konstruksi dataset yang mencakup  numeric class dan berbagai jenis atribut:
   size = Orange.data.DiscreteVariable("size", ["small", "big"])
@@ Line 232: / Line 232: @@
   shape = Orange.data.DiscreteVariable("shape", ["circle", "square", "oval"])
   speed = Orange.data.ContinuousVariable("speed")
+ domain = Orange.data.Domain([size, height, shape], speed)
   X = np.array([[1, 3.4, 0], [0, 2.7, 2], [1, 1.4, 1]])
@@ Line 241: / Line 240: @@
   print(data)
-Running of this scripts yields:
+Menjalankan script ini akan menghasilkan:
   [[big, 3.400, circle | 42.000],

@@ Line 195: / Line 195: @@
 ==Orange Dataset dan NumPy==
-Orange datasets are actually wrapped NumPy arrays. Wrapping is performed to retain the information about the feature names and values, and NumPy arrays are used for speed and compatibility with different machine learning toolboxes, like scikit-learn, on which Orange relies. Let us display the values of these arrays for the first three data instances of the iris dataset:
+Dataset Orange sebenarnya di wrapped oleh NumPy array. Wrapping dilakukan untuk menyimpan informasi tentang nama-nama dan nilai-nilai fitur, dan NumPy arraydigunakan untuk kecepatan dan kompatibilitas dengan machine learning toolbox yang berbeda, seperti scikit-learning, yang menjadi sandaran Orange. Mari kita tampilkan nilai array ini untuk tiga contoh data pertama dari dataset iris:
   >>> data = Orange.data.Table("iris")

@@ Line 193: / Line 193: @@
   print(Counter(str(d.get_class()) for d in data))
-==Orange Datasets and NumPy==
+==Orange Dataset dan NumPy==
 Orange datasets are actually wrapped NumPy arrays. Wrapping is performed to retain the information about the feature names and values, and NumPy arrays are used for speed and compatibility with different machine learning toolboxes, like scikit-learn, on which Orange relies. Let us display the values of these arrays for the first three data instances of the iris dataset:

@@ Line 118: / Line 118: @@
   Values of attribute 'fuel-type': diesel, gas
-==Data Instances==
+==Data Instance==
-Data table stores data instances (or examples). These can be indexed or traversed as any Python list. Data instances can be considered as vectors, accessed through element index, or through feature name.
+Tabel data menyimpan instance data (atau contoh). Ini dapat diindeks atau dilalui (traversed) seperti Python list. Instance data dapat dianggap sebagai vektor, diakses melalui indeks elemen, atau melalui nama fitur.
   import Orange
@@ Line 136: / Line 136: @@
   print("The 3rd value of the 25th data instance:", data[24][2])
-The script above displays the following output:
+Script di atas menghasilkan output berikut:
   First three data instances:
@@ Line 147: / Line 147: @@
   The 3rd value of the 25th data instance: 1.900
-The Iris dataset we have used above has four continuous attributes. Here’s a script that computes their mean:
+Dataset Iris yang kami gunakan di atas memiliki empat atribut kontinu. Berikut ini skrip yang menghitung rata-ratanya:
   average = lambda x: sum(x) / len(x)
@@ Line 156: / Line 156: @@
       print("%-15s %.2f" % (x.name, average([d[x] for d in data])))
-The above script also illustrates indexing of data instances with objects that store features; in d[x] variable x is an Orange object. Here’s the output:
+Script di atas juga menggambarkan pengindeksan instance data dengan objek yang menyimpan fitur; dalam d [x] variabel x adalah objek Orange. Inilah hasilnya:
   Feature         Mean
@@ Line 164: / Line 164: @@
   petal width     1.20
-A slightly more complicated, but also more interesting, code that computes per-class averages:
+Kode yang sedikit lebih rumit, tetapi juga lebih menarik, yang menghitung rata-rata per-class:
   average = lambda xs: sum(xs) / float(len(xs))
@@ Line 177: / Line 177: @@
       print("%-15s" % a.name, " ".join(dist))
-Of the four features, petal width and length look quite discriminative for the type of iris:
+Dari empat fitur, kelopak lebar dan panjang terlihat cukup diskriminatif untuk jenis iris:
   Feature             Iris-setosa Iris-versicolor  Iris-virginica
@@ Line 185: / Line 185: @@
   petal width                0.24            1.33            2.03
-Finally, here is a quick code that computes the class distribution for another dataset:
+Akhirnya, berikut adalah kode cepat yang menghitung distribusi kelas untuk dataset lainnya:
   import Orange

@@ Line 84: / Line 84: @@
 ==Explorasi Data Domain==
-Data table stores information on data instances as well as on data domain. Domain holds the names of attributes, optional classes, their types and, and if categorical, the value names. The following code:
+Tabel data menyimpan informasi tentang instance data serta domain data. Domain menyimpan nama atribut, opsional class, jenisnya, dan, jika kategorikal, nama nilai. Kode berikut:
   import Orange
@@ Line 101: / Line 101: @@
   print("Class:", data.domain.class_var.name)
-outputs:
+output:
 attributes: 14 continuous, 11 discrete
@@ Line 107: / Line 107: @@
   Class: price
-Orange’s objects often behave like Python lists and dictionaries, and can be indexed or accessed through feature names:
+Objek Orange sering berperilaku seperti Python list atau dictionary, dan dapat diindeks atau diakses melalui nama fitur:
   print("First attribute:", data.domain[0].name)
@@ Line 113: / Line 113: @@
   print("Values of attribute '%s': %s" % (name, ", ".join(data.domain[name].values)))
-The output of the above code is:
+output code di atas adalah:
   First attribute: symboling

@@ Line 82: / Line 82: @@
 Kami telah membuat tabel data baru dengan mengirimkan informasi tentang struktur data (data.domain) dan subset instance data.
-==Exploration Data Domain==
+==Explorasi Data Domain==
 Data table stores information on data instances as well as on data domain. Domain holds the names of attributes, optional classes, their types and, and if categorical, the value names. The following code: