Difference between revisions of "Orange: Constant"

Latest revision as of 06:42, 10 April 2020

Sumber: https://docs.biolab.si//3/visual-programming/widgets/model/constant.html

Memprediksi most frequent class atau mean value dari sebuah training set.

Input

Data: input dataset
Preprocessor: preprocessing method

Output

Learner: majority/mean learning algorithm
Model: trained model

Pada Widget Constant, Learner akan menghasilkan model yang selalu memprediksi mayoritas untuk classification atau nilai rata-rata untuk regresi.

Untuk classification, ketika memprediksi nilai class dengan Prediction, widget ini akan menghasilkan frekuensi relative dari class yang ada di training set. Jika ada dua atau lebih majority class, classifier akan memilih secara random dari predicted class, tapi akan selalu menghasilkan class yang sama untuk contoh tersebut.

Untuk regression, dia akan mempelajari rata-rata dari varibel dan menghasilkan predictor dengan nilai rata-rata yang sama.

Widget ini biasanya digunakan sebagai baseline untuk model lainnya.

Widget ini memberi pengguna dengan dua pilihan:

Nama yang digunakan dan muncul di widget lain. Default name adalah “Constant”.
Menghasilkan report.

Jika anda mengubah nama widget, anda perlu mengklik Apply. Atau, centang kotak di sisi kiri dan perubahan akan dikomunikasikan secara otomatis.

Contoh

Dalam contoh klasifikasi tipikal, kita akan menggunakan widget contant ini untuk membandingkan skor algoritma learner lainnya (seperti kNN) dengan skor default. Gunakan dataset iris dan connect ke Test & Score. Kemudian hubungkan Constant dan kNN ke Test & Score dan amati seberapa baik kinerja kNN terhadap baseline Constant.

Dalam penggunakan Widget Constant untuk regresi, kita menggunakan Widget Constant untuk membuat prediktor dalam Prediction. Kita menggunakan dataset housing. Dalam Prediction, kita dapat melihat bahwa Mean Learner mengembalikan satu (rata-rata) nilai untuk semua instance.

Youtube

YOUTUBE: Model Constant & CN2 Rule Inducer

Referensi

https://docs.biolab.si//3/visual-programming/widgets/model/constant.html

Pranala Menarik

Orange

@@ Line 2: / Line 2: @@
-Predict the most frequent class or mean value from the training set.
+Memprediksi most frequent class atau mean value dari sebuah training set.
-Inputs
+==Input==
-    Data: input dataset
+ Data: input dataset
+ Preprocessor: preprocessing method
-    Preprocessor: preprocessing method(s)
+==Output==
-Outputs
+ Learner: majority/mean learning algorithm
+ Model: trained model
-    Learner: majority/mean learning algorithm
+Pada Widget Constant, Learner akan menghasilkan model yang selalu memprediksi mayoritas untuk classification atau nilai rata-rata untuk regresi.
-    Model: trained model
+Untuk classification, ketika memprediksi nilai class dengan Prediction, widget ini akan menghasilkan frekuensi relative dari class yang ada di training set. Jika ada dua atau lebih majority class, classifier akan memilih secara random dari predicted class, tapi akan selalu menghasilkan class yang sama untuk contoh tersebut.
-This learner produces a model that always predicts themajority for classification tasks and mean value for regression tasks.
+Untuk regression, dia akan mempelajari rata-rata dari varibel dan menghasilkan predictor dengan nilai rata-rata yang sama.
-For classification, when predicting the class value with Predictions, the widget will return relative frequencies of the classes in the training set. When there are two or more majority classes, the classifier chooses the predicted class randomly, but always returns the same class for a particular example.
+Widget ini biasanya digunakan sebagai baseline untuk model lainnya.
-For regression, it learns the mean of the class variable and returns a predictor with the same mean value.
+[[File:Constant-stamped.png|center|200px|thumb]]
-The widget is typically used as a baseline for other models.
+Widget ini memberi pengguna dengan dua pilihan:
-../../_images/Constant-stamped.png
+* Nama yang digunakan dan muncul di widget lain. Default name adalah “Constant”.
+* Menghasilkan report.
-This widget provides the user with two options:
+Jika anda mengubah nama widget, anda perlu mengklik Apply. Atau, centang kotak di sisi kiri dan perubahan akan dikomunikasikan secara otomatis.
-    The name under which it will appear in other widgets. Default name is “Constant”.
+==Contoh==
-    Produce a report.
+Dalam contoh klasifikasi tipikal, kita akan menggunakan widget contant ini untuk membandingkan skor algoritma learner lainnya (seperti kNN) dengan skor default. Gunakan dataset iris dan connect ke Test & Score. Kemudian hubungkan Constant dan kNN ke Test & Score dan amati seberapa baik kinerja kNN terhadap baseline Constant.
-If you change the widget’s name, you need to click Apply. Alternatively, tick the box on the left side and changes will be communicated automatically.
+[[File:Constant-classification.png|center|600px|thumb]]
-Examples
-In a typical classification example, we would use this widget to compare the scores of other learning algorithms (such as kNN) with the default scores. Use iris dataset and connect it to Test & Score. Then connect Constant and kNN to Test & Score and observe how well kNN performs against a constant baseline.
+Dalam penggunakan Widget Constant untuk regresi, kita menggunakan Widget Constant untuk membuat prediktor dalam Prediction. Kita menggunakan dataset housing. Dalam Prediction, kita dapat melihat bahwa Mean Learner mengembalikan satu (rata-rata) nilai untuk semua instance.
-../../_images/Constant-classification.png
-For regression, we use Constant to construct a predictor in Predictions. We used the housing dataset. In Predictions, you can see that Mean Learner returns one (mean) value for all instances.
-../../_images/Constant-regression.png
+[[File:Constant-regression.png|center|600px|thumb]]
+==Youtube==
+* [https://www.youtube.com/watch?v=8c1jQkI8NCY YOUTUBE: Model Constant & CN2 Rule Inducer]
 ==Referensi==