Difference between revisions of "Orange: Manifold Learning"
Onnowpurbo (talk | contribs) (→Contoh) |
Onnowpurbo (talk | contribs) |
||
Line 1: | Line 1: | ||
Sumber: https://docs.biolab.si//3/visual-programming/widgets/unsupervised/manifoldlearning.html | Sumber: https://docs.biolab.si//3/visual-programming/widgets/unsupervised/manifoldlearning.html | ||
− | + | Widget Manifold Learning dapat melakukan pengurangan / reduksi dimensi secara nonlinear. | |
− | |||
− | |||
==Input== | ==Input== | ||
Line 13: | Line 11: | ||
Transformed Data: dataset with reduced coordinates | Transformed Data: dataset with reduced coordinates | ||
− | Manifold Learning adalah teknik yang menemukan manifold non-linear dalam ruang dimensi yang lebih tinggi. Widget kemudian menampilkan koordinat baru yang sesuai dengan ruang dua dimensi. Data tersebut dapat kemudian divisualisasikan dengan Scatter Plot atau widget visualisasi lainnya. | + | Widget Manifold Learning adalah teknik yang menemukan manifold non-linear dalam ruang dimensi yang lebih tinggi. Widget Manifold Learning kemudian menampilkan koordinat baru yang sesuai dengan ruang dua dimensi. Data tersebut dapat kemudian divisualisasikan dengan widget Scatter Plot atau widget visualisasi lainnya. |
[[File:Manifold-learning-stamped.png|center|200px|thumb]] | [[File:Manifold-learning-stamped.png|center|200px|thumb]] | ||
Line 61: | Line 59: | ||
==Contoh== | ==Contoh== | ||
− | Widget Manifold Learning mengubah data dimensi tinggi menjadi pendekatan dimensi yang lebih rendah. Ini membuatnya bagus untuk memvisualisasikan dataset dengan banyak fitur. Kita menggunakan voting.tab untuk memetakan data 16 dimensi ke grafik 2D. Lalu kita menggunakan Scatter Plot untuk memplot embeddings. | + | Widget Manifold Learning mengubah data dimensi tinggi menjadi pendekatan dimensi yang lebih rendah. Ini membuatnya bagus untuk memvisualisasikan dataset dengan banyak fitur. Kita menggunakan voting.tab untuk memetakan data 16 dimensi ke grafik 2D. Lalu kita menggunakan widget Scatter Plot untuk memplot embeddings. |
[[File:Manifold-learning-example.png|center|600px|thumb]] | [[File:Manifold-learning-example.png|center|600px|thumb]] |
Revision as of 04:53, 14 April 2020
Sumber: https://docs.biolab.si//3/visual-programming/widgets/unsupervised/manifoldlearning.html
Widget Manifold Learning dapat melakukan pengurangan / reduksi dimensi secara nonlinear.
Input
Data: input dataset
Output
Transformed Data: dataset with reduced coordinates
Widget Manifold Learning adalah teknik yang menemukan manifold non-linear dalam ruang dimensi yang lebih tinggi. Widget Manifold Learning kemudian menampilkan koordinat baru yang sesuai dengan ruang dua dimensi. Data tersebut dapat kemudian divisualisasikan dengan widget Scatter Plot atau widget visualisasi lainnya.
- Method for manifold learning:
- t-SNE
- MDS, see also MDS widget
- Isomap
- Locally Linear Embedding
- Spectral Embedding
- Set parameters for the method:
- t-SNE (distance measures):
- Euclidean distance
- Manhattan
- Chebyshev
- Jaccard
- Mahalanobis
- Cosine
- MDS (iterations and initialization):
- max iterations: maximum number of optimization interactions
- initialization: method for initialization of the algorithm (PCA or random)
- Isomap:
- number of neighbors
- Locally Linear Embedding:
- method:
- standard
- modified
- hessian eigenmap
- local
- number of neighbors
- max iterations
- method:
- Spectral Embedding:
- affinity:
- nearest neighbors
- RFB kernel
- affinity:
- t-SNE (distance measures):
- Output: the number of reduced features (components).
- If Apply automatically is ticked, changes will be propagated automatically. Alternatively, click Apply.
- Produce a report.
Widget Manifold Learning menghasilkan embeddings yang berbeda untuk data high-dimensional.
Dari kiri ke kanan, atas ke bawah: t-SNE, MDS, Isomap, Locally Linear Embedding dan Spectral Embedding.
Contoh
Widget Manifold Learning mengubah data dimensi tinggi menjadi pendekatan dimensi yang lebih rendah. Ini membuatnya bagus untuk memvisualisasikan dataset dengan banyak fitur. Kita menggunakan voting.tab untuk memetakan data 16 dimensi ke grafik 2D. Lalu kita menggunakan widget Scatter Plot untuk memplot embeddings.