Difference between revisions of "Orange: Network From Distances"

Revision as of 11:10, 22 February 2020

Sumber: https://orange.biolab.si/widget-catalog/networks/networkfromdistances/

Membangun network dari distance antar instance.

Input

Distances: A distance matrix.

Output

Network: An instance of Network Graph.
Data: Attribute-valued data set.
Distances: A distance matrix.

Widget Network from Distances membangun sebuah network graph dari sebuah distance matrix yang diberikan. Graph dibangun dengan connecting node dari matrix dimana distance antar node dibawah dari threshold yang diberikan. Dengan kata lain, semua instance dengan distance di bawah threshold yang di tentukan, akan tersambung /connected.

Edges:
- Distance threshold: a closeness threshold for the formation of edges.
- Percentile: the percentile of data instances to be connected.
- Include also closest neighbors: include a number of closest neighbors to the selected instances.
Node selection:
- Keep all nodes: entire network is on the output.
- Components with at least X nodes: filters out nodes with less than the set number of nodes.
- Largest connected component: keep only the largest cluster.
Edge weights:
- Proportional to distance: weights are set to reflect the distance (closeness).
- Inverted distance: weights are set to reflect the inverted distance (difference).
Information on the constructed network:
- Data items on input: number of instances on the input.
- Network nodes: number of nodes in the network (and the percentage of the original data).
- Network edges: number of constructed edges/connections (and the average number of connections per node).

Contoh

Widget Network from Distances membuat network dari distance matrix. Ini akan mentransformasikan data set dari sebuah tabel data melalui distance matrix menjadi sebuah network graph. Widget ini sangat baik untuk memvisualisasi kesamaan sebagai sebuah graph dari connected instance.

Kita akan mengambil iris.tab untuk memvisualisai kesamaan instance disebuah graph. We kita kirimkan keluaran dari File widget ke Distances, dimana kita akan menghitung Euclidean distance antara dua baris (instance). Kemudian kita kirim output dari Distances ke Widget Network from Distances, dimana kita set distance threshold (seberapa sama instance yang akan digambarkan edge antara mereka) ke 0.222. Kita akan menyimpan semua node dan set beban edge akan proporsional ke distance.

Kita dapat mengamati network yang dibangun menggunakan Network Explorer. Kita mewarnai node dengan iris attribute.

Referensi

https://orange.biolab.si/widget-catalog/networks/networkfromdistances/

Pranala Menarik

Orange

@@ Line 37: / Line 37: @@
 ==Contoh==
-Widget Network from Distances membuat creates networks from distance matrices. It can transform data sets from a data table via distance matrix into a network graph. This widget is great for visualizing instance similarity as a graph of connected instances.
+Widget Network from Distances membuat network dari distance matrix. Ini akan mentransformasikan data set dari sebuah tabel data melalui distance matrix menjadi sebuah network graph. Widget ini sangat baik untuk memvisualisasi kesamaan sebagai sebuah graph dari connected instance.
 [[File:Network-from-distances-example.png|center|200px|thumb]]
-We took iris.tab to visualize instance similarity in a graph. We sent the output of File widget to Distances, where we computed Euclidean distances between rows (instances). Then we sent the output of Distances to Network from Distances, where we set the distance threshold (how similar the instances have to be to draw an edge between them) to 0.222. We kept all nodes and set edge weights to proportional to distance.
+Kita akan mengambil iris.tab untuk memvisualisai kesamaan instance disebuah graph. We kita kirimkan keluaran dari File widget ke Distances, dimana kita akan menghitung Euclidean distance antara dua baris (instance). Kemudian kita kirim output dari Distances ke Widget Network from Distances, dimana kita set distance threshold (seberapa sama instance yang akan digambarkan edge antara mereka) ke 0.222. Kita akan menyimpan semua node dan set beban edge akan proporsional ke distance.
-Then we observed the constructed network in a Network Explorer. We colored the nodes by iris attribute.
+Kita dapat mengamati network yang dibangun menggunakan Network Explorer. Kita mewarnai node dengan iris attribute.
 ==Referensi==