Difference between revisions of "Orange: Manifold Learning"

Revision as of 08:00, 10 March 2020

Sumber: https://docs.biolab.si//3/visual-programming/widgets/unsupervised/manifoldlearning.html

Pengurangan / Reduksi dimensi secara nonlinear.

Input

Data: input dataset

Output

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.

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
- Spectral Embedding:
  - affinity:
    - nearest neighbors
    - RFB kernel
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 Scatter Plot untuk memplot embeddings.

Referensi

https://docs.biolab.si//3/visual-programming/widgets/unsupervised/manifoldlearning.html

Pranala Menarik

Orange

@@ Line 3: / Line 3: @@
-Nonlinear dimensionality reduction.
+Pengurangan / Reduksi dimensi secara nonlinear.
 ==Input==
@@ Line 13: / Line 13: @@
   Transformed Data: dataset with reduced coordinates
-Manifold Learning is a technique which finds a non-linear manifold within the higher-dimensional space. The widget then outputs new coordinates which correspond to a two-dimensional space. Such data can be later visualized with Scatter Plot or other visualization widgets.
+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.
 [[File:Manifold-learning-stamped.png|center|200px|thumb]]
@@ Line 53: / Line 53: @@
 * Produce a report.
-Manifold Learning widget produces different embeddings for high-dimensional data.
+Widget Manifold Learning menghasilkan embeddings yang berbeda untuk data high-dimensional.
 [[File:Collage-manifold.png|center|200px|thumb]]
-From left to right, top to bottom: t-SNE, MDS, Isomap, Locally Linear Embedding and Spectral Embedding.
+Dari kiri ke kanan, atas ke bawah: t-SNE, MDS, Isomap, Locally Linear Embedding dan Spectral Embedding.
 ==Contoh==
-Manifold Learning widget transforms high-dimensional data into a lower dimensional approximation. This makes it great for visualizing datasets with many features. We used voting.tab to map 16-dimensional data onto a 2D graph. Then we used Scatter Plot to plot the 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 Scatter Plot untuk memplot embeddings.
 [[File:Manifold-learning-example.png|center|200px|thumb]]