Difference between revisions of "Orange: Purge Domain"

Revision as of 09:55, 31 January 2020

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

Menghapus nilai atribut yang tidak digunakan dan atribut yang tidak berguna, mengurutkan nilai yang tersisa.

Input

Data: input dataset

Output

Data: filtered dataset

Definisi atribut nominal terkadang berisi nilai yang tidak muncul dalam data. Bahkan jika ini tidak terjadi dalam data original, memfilter data, memilih himpunan bagian teladan dan yang sama dapat menghapus semua contoh yang atributnya memiliki nilai tertentu. Nilai-nilai tersebut mengacaukan presentasi data, terutama berbagai visualisasi, dan harus dihapus.

Setelah membersihkan atribut, itu mungkin menjadi bernilai tunggal atau, dalam kasus ekstrim, tidak memiliki nilai sama sekali (jika nilai atribut ini tidak terdefinisi untuk semua contoh). Dalam kasus seperti itu, atributnya dapat dihapus.

Masalah yang berbeda adalah urutan nilai atribut: jika data dibaca dari file dalam format di mana nilai-nilai tidak dinyatakan sebelumnya, mereka diurutkan "sesuai urutan penampilan". Kadang-kadang kita lebih suka menyortirnya secara alfabet.

Purge attributes.
Purge classes.
Purge meta attributes.
Information on the filtering process.
Produce a report.
If Apply automatically is ticked, the widget will output data at each change of widget settings.

Pemurnian tersebut dilakukan oleh widget Purge Domain. Atribut biasa dan atribut kelas diperlakukan secara terpisah. Untuk masing-masing, kita dapat memutuskan apakah kita ingin nilai diurutkan atau tidak. Selanjutnya, kita dapat mengizinkan widget untuk menghapus atribut dengan nilai kurang dari dua atau menghapus atribut kelas jika ada kurang dari dua kelas. Terakhir, kita dapat menginstruksikan widget untuk memeriksa nilai atribut mana yang benar-benar muncul dalam data dan menghapus nilai yang tidak digunakan. Widget tidak dapat menghapus nilai jika tidak diperbolehkan menghapus atribut, karena memiliki atribut tanpa nilai tidak masuk akal.

Atribut baru yang direduksi mendapatkan awalan “R”, yang membedakannya dari yang original. Nilai-nilai atribut baru dapat dihitung dari yang lama, tetapi tidak sebaliknya. Ini berarti bahwa jika kita membuat classifier dari atribut baru, kita dapat menggunakannya untuk mengklasifikasikan contoh yang dijelaskan oleh atribut original. Tetapi tidak sebaliknya: membangun classifier dari atribut lama dan menggunakannya pada contoh yang dijelaskan oleh yang direduksi tidak akan bekerja. Untungnya, yang terakhir jarang terjadi. Dalam pengaturan yang umum, seseorang akan mengeksplorasi data, memvisualisasikannya, memfilternya, memurnikannya ... dan kemudian menguji model akhir pada data original.

Contoh

The Purge Domain widget would typically appear after data filtering, for instance when selecting a subset of visualized examples.

In the above schema, we play with the adult.tab dataset: we visualize it and select a portion of the data, which contains only four out of the five original classes. To get rid of the empty class, we put the data through Purge Domain before going on to the Box Plot widget. The latter shows only the four classes which are in the Purge Data output. To see the effect of data purification, uncheck Remove unused class variable values and observe the effect this has on Box Plot.

Referensi

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

Pranala Menarik

Orange

@@ Line 14: / Line 14: @@
 Definisi atribut nominal terkadang berisi nilai yang tidak muncul dalam data. Bahkan jika ini tidak terjadi dalam data original, memfilter data, memilih himpunan bagian teladan dan yang sama dapat menghapus semua contoh yang atributnya memiliki nilai tertentu. Nilai-nilai tersebut mengacaukan presentasi data, terutama berbagai visualisasi, dan harus dihapus.
-After purging an attribute, it may become single-valued or, in extreme case, have no values at all (if the value of this attribute was undefined for all examples). In such cases, the attribute can be removed.
+Setelah membersihkan atribut, itu mungkin menjadi bernilai tunggal atau, dalam kasus ekstrim, tidak memiliki nilai sama sekali (jika nilai atribut ini tidak terdefinisi untuk semua contoh). Dalam kasus seperti itu, atributnya dapat dihapus.
-A different issue is the order of attribute values: if the data is read from a file in a format in which values are not declared in advance, they are sorted “in order of appearance”. Sometimes we would prefer to have them sorted alphabetically.
+Masalah yang berbeda adalah urutan nilai atribut: jika data dibaca dari file dalam format di mana nilai-nilai tidak dinyatakan sebelumnya, mereka diurutkan "sesuai urutan penampilan". Kadang-kadang kita lebih suka menyortirnya secara alfabet.
 [[File:PurgeDomain-stamped.png|center|200px|thumb]]
@@ Line 27: / Line 27: @@
 * If Apply automatically is ticked, the widget will output data at each change of widget settings.
-Such purification is done by the widget Purge Domain. Ordinary attributes and class attributes are treated separately. For each, we can decide if we want the values sorted or not. Next, we may allow the widget to remove attributes with less than two values or remove the class attribute if there are less than two classes. Finally, we can instruct the widget to check which values of attributes actually appear in the data and remove the unused values. The widget cannot remove values if it is not allowed to remove the attributes, since having attributes without values makes no sense.
+Pemurnian tersebut dilakukan oleh widget Purge Domain. Atribut biasa dan atribut kelas diperlakukan secara terpisah. Untuk masing-masing, kita dapat memutuskan apakah kita ingin nilai diurutkan atau tidak. Selanjutnya, kita dapat mengizinkan widget untuk menghapus atribut dengan nilai kurang dari dua atau menghapus atribut kelas jika ada kurang dari dua kelas. Terakhir, kita dapat menginstruksikan widget untuk memeriksa nilai atribut mana yang benar-benar muncul dalam data dan menghapus nilai yang tidak digunakan. Widget tidak dapat menghapus nilai jika tidak diperbolehkan menghapus atribut, karena memiliki atribut tanpa nilai tidak masuk akal.
-The new, reduced attributes get the prefix “R”, which distinguishes them from the original ones. The values of new attributes can be computed from the old ones, but not the other way around. This means that if you construct a classifier from the new attributes, you can use it to classify the examples described by the original attributes. But not the opposite: constructing a classifier from the old attributes and using it on examples described by the reduced ones won’t work. Fortunately, the latter is seldom the case. In a typical setup, one would explore the data, visualize it, filter it, purify it… and then test the final model on the original data.
+Atribut baru yang direduksi mendapatkan awalan “R”, yang membedakannya dari yang original. Nilai-nilai atribut baru dapat dihitung dari yang lama, tetapi tidak sebaliknya. Ini berarti bahwa jika kita membuat classifier dari atribut baru, kita dapat menggunakannya untuk mengklasifikasikan contoh yang dijelaskan oleh atribut original. Tetapi tidak sebaliknya: membangun classifier dari atribut lama dan menggunakannya pada contoh yang dijelaskan oleh yang direduksi tidak akan bekerja. Untungnya, yang terakhir jarang terjadi. Dalam pengaturan yang umum, seseorang akan mengeksplorasi data, memvisualisasikannya, memfilternya, memurnikannya ... dan kemudian menguji model akhir pada data original.
 ==Contoh==