Difference between revisions of "Orange: Stacking"
Onnowpurbo (talk | contribs) (→Contoh) |
Onnowpurbo (talk | contribs) |
||
Line 2: | Line 2: | ||
− | + | Widget Stacking berfungsi untuk stacking (menumpuk) multiple model. | |
==Input== | ==Input== |
Revision as of 18:28, 5 April 2020
Sumber: https://docs.biolab.si//3/visual-programming/widgets/model/stacking.html
Widget Stacking berfungsi untuk stacking (menumpuk) multiple model.
Input
Data: input dataset Preprocessor: preprocessing method(s) Learners: learning algorithm Aggregate: model aggregation method
Output
Learner: aggregated (stacked) learning algorithm Model: trained model
Stacking is an ensemble method that computes a meta model from several base models. The Stacking widget has the Aggregate input,Stacking adalah metode ensemble yang menghitung model meta dari beberapa model dasar. Widget Stacking memiliki input agregat, yang menyediakan metode untuk menggabungkan model input. Jika tidak ada input agregasi yang diberikan, metode default akan digunakan. Model default tersebut adalah Logistic Regression untuk classification (klasifikasi) dan Ridge Regression untuk regression (regresi).
- The meta learner can be given a name under which it will appear in other widgets. The default name is “Stack”.
- Click Apply to commit the aggregated model. That will put the new learner in the output and, if the training examples are given, construct a new model and output it as well. To communicate changes automatically tick Apply Automatically.
- Access help and produce a report.
Contoh
Kita akan menggunakan widget Paint Data untuk menunjukkan bagaimana widget Staking digunakan. Kita paint dataset yang kompleks dengan 4 label class dan mengirimkannya ke widget Test & Score. Kita juga menyediakan tiga learner widget kNN, masing-masing dengan parameter yang berbeda (jumlah neighbour adalah 5, 10 atau 15). Hasil evaluasi yang dihasilkan baik, tetapi bisakah kita membuatnya lebih baik?
Mari kita gunakan stacking. Stacking membutuhkan beberapa learner pada input dan metode agregasi. Dalam kasus kita, ini adalah widget Logistic Regression. Sebuah constructed meta learner dikirim ke widget Test & Score. Hasil telah meningkat, walaupun hanya sedikit. Stacking biasanya bekerja dengan baik pada dataset yang kompleks.