Difference between revisions of "Orange: Stacking"

Revision as of 04:52, 7 March 2020

Sumber: https://docs.biolab.si//3/visual-programming/widgets/model/stacking.html

Stack (menumpuk) multiple model.

Input

Data: input dataset
Preprocessor: preprocessing method(s)
Learners: learning algorithm
Aggregate: model aggregation method

Output

Learner: aggregated (stacked) learning algorithm
   Model: trained model

Stacking is an ensemble method that computes a meta model from several base models. The Stacking widget has the Aggregate input,Stacking adalah metode ensemble yang menghitung model meta dari beberapa model dasar. Widget Stacking memiliki input agregat, yang menyediakan metode untuk menggabungkan model input. Jika tidak ada input agregasi yang diberikan, metode default akan digunakan. Model default tersebut adalah Logistic Regression untuk classification (klasifikasi) dan Ridge Regression untuk regression (regresi).

The meta learner can be given a name under which it will appear in other widgets. The default name is “Stack”.
Click Apply to commit the aggregated model. That will put the new learner in the output and, if the training examples are given, construct a new model and output it as well. To communicate changes automatically tick Apply Automatically.
Access help and produce a report.

Contoh

Kami akan menggunakan widget Paint Data untuk menunjukkan bagaimana widget digunakan. Kami paint dataset yang kompleks dengan 4 label class dan mengirimkannya ke widget Test & Score. Kita juga menyediakan tiga learner kNN, masing-masing dengan parameter yang berbeda (jumlah neighbour adalah 5, 10 atau 15). Hasil evaluasi yang dihasilkan baik, tetapi bisakah kita membuatnya lebih baik?

Mari kita gunakan stacking. Stacking membutuhkan beberapa learner pada input dan metode agregasi. Dalam kasus kita, ini adalah Logistic Regression. Sebuah constructed meta learner dikirim ke widget Test & Score. Hasil telah meningkat, walaupun hanya sedikit. Stacking biasanya bekerja dengan baik pada dataset yang kompleks.

Referensi

https://docs.biolab.si//3/visual-programming/widgets/model/stacking.html

Pranala Menarik

Orange

@@ Line 2: / Line 2: @@
-Stack multiple models.
+Stack (menumpuk) multiple model.
 ==Input==
@@ Line 16: / Line 16: @@
      Model: trained model
-Stacking is an ensemble method that computes a meta model from several base models. The Stacking widget has the Aggregate input, which provides a method for aggregating the input models. If no aggregation input is given the default methods are used. Those are Logistic Regression for classification and Ridge Regression for regression problems.
+Stacking is an ensemble method that computes a meta model from several base models. The Stacking widget has the Aggregate input,Stacking adalah metode ensemble yang menghitung model meta dari beberapa model dasar. Widget Stacking memiliki input agregat, yang menyediakan metode untuk menggabungkan model input. Jika tidak ada input agregasi yang diberikan, metode default akan digunakan. Model default tersebut adalah Logistic Regression untuk classification (klasifikasi) dan Ridge Regression untuk regression (regresi).
 [[File:Stacking-stamped.png|center|200px|thumb]]
@@ Line 26: / Line 26: @@
 ==Contoh==
-We will use Paint Data to demonstrate how the widget is used. We painted a complex dataset with 4 class labels and sent it to Test & Score. We also provided three kNN learners, each with a different parameters (number of neighbors is 5, 10 or 15). Evaluation results are good, but can we do better?
+Kami akan menggunakan widget Paint Data untuk menunjukkan bagaimana widget digunakan. Kami paint dataset yang kompleks dengan 4 label class dan mengirimkannya ke widget Test & Score. Kita juga menyediakan tiga learner kNN, masing-masing dengan parameter yang berbeda (jumlah neighbour adalah 5, 10 atau 15). Hasil evaluasi yang dihasilkan baik, tetapi bisakah kita membuatnya lebih baik?
-Let’s use Stacking. Stacking requires several learners on the input and an aggregation method. In our case, this is Logistic Regression. A constructed meta learner is then sent to Test & Score. Results have improved, even if only marginally. Stacking normally works well on complex data sets.
+Mari kita gunakan stacking. Stacking membutuhkan beberapa learner pada input dan metode agregasi. Dalam kasus kita, ini adalah  Logistic Regression.  Sebuah constructed meta learner dikirim ke widget Test & Score. Hasil telah meningkat, walaupun hanya sedikit. Stacking biasanya bekerja dengan baik pada dataset yang kompleks.
 [[File:Stacking-Example.png|center|200px|thumb]]