Difference between revisions of "Orange: Constant"
Onnowpurbo (talk | contribs) (→Contoh) |
Onnowpurbo (talk | contribs) |
||
| (2 intermediate revisions by the same user not shown) | |||
| Line 14: | Line 14: | ||
Model: trained model | Model: trained model | ||
| − | Learner | + | 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. | 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 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. | 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| | + | [[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. | 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| | + | [[File:Constant-regression.png|center|600px|thumb]] |
| + | |||
| + | ==Youtube== | ||
| + | |||
| + | * [https://www.youtube.com/watch?v=8c1jQkI8NCY YOUTUBE: Model Constant & CN2 Rule Inducer] | ||
==Referensi== | ==Referensi== | ||
Latest revision as of 06:42, 10 April 2020
Sumber: https://docs.biolab.si//3/visual-programming/widgets/model/constant.html
Memprediksi most frequent class atau mean value dari sebuah training set.
Input
Data: input dataset Preprocessor: preprocessing method
Output
Learner: majority/mean learning algorithm Model: trained model
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.
Untuk regression, dia akan mempelajari rata-rata dari varibel dan menghasilkan predictor dengan nilai rata-rata yang sama.
Widget ini biasanya digunakan sebagai baseline untuk model lainnya.
Widget ini memberi pengguna dengan dua pilihan:
- Nama yang digunakan dan muncul di widget lain. Default name adalah “Constant”.
- Menghasilkan report.
Jika anda mengubah nama widget, anda perlu mengklik Apply. Atau, centang kotak di sisi kiri dan perubahan akan dikomunikasikan secara otomatis.
Contoh
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.
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.
