Difference between revisions of "Orange: Constant"

From OnnoWiki
Jump to navigation Jump to search
Line 33: Line 33:
 
==Contoh==
 
==Contoh==
  
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 contoh klasifikasi tipikal, kita akan menggunakan widget contant ini untuk membandingkan skor algoritma pembelajaran 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.
  
 
[[File:Constant-classification.png|center|200px|thumb]]
 
[[File:Constant-classification.png|center|200px|thumb]]
  
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.
+
Untuk regresi, kita menggunakan 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.
  
 
[[File:Constant-regression.png|center|200px|thumb]]
 
[[File:Constant-regression.png|center|200px|thumb]]
 
 
 
 
  
 
==Referensi==
 
==Referensi==

Revision as of 07:45, 27 February 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

Learner ini 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.

Constant-stamped.png

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 pembelajaran 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.

Constant-classification.png

Untuk regresi, kita menggunakan 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.

Constant-regression.png

Referensi

Pranala Menarik