Difference between revisions of "Orange: Constant"

From OnnoWiki
Jump to navigation Jump to search
 
(6 intermediate revisions by the same user not shown)
Line 14: Line 14:
 
  Model: trained model
 
  Model: trained model
  
Learner ini akan menghasilkan model yang selalu memprediksi mayoritas untuk classification atau nilai rata-rata untuk regresi.
+
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 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.
Line 26: Line 26:
 
Widget ini memberi pengguna dengan dua pilihan:
 
Widget ini memberi pengguna dengan dua pilihan:
  
* The name under which it will appear in other widgets. Default name is “Constant”.
+
* Nama yang digunakan dan muncul di widget lain. Default name adalah “Constant”.
* Produce a report.
+
* Menghasilkan report.
  
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.
+
Jika anda mengubah nama widget, anda perlu mengklik Apply. Atau, centang kotak di sisi kiri dan perubahan akan dikomunikasikan secara otomatis.
  
 
==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 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.
  
[[File:Constant-classification.png|center|200px|thumb]]
+
[[File:Constant-classification.png|center|600px|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.
 
 
 
[[File:Constant-regression.png|center|200px|thumb]]
 
  
 +
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.
  
 +
[[File:Constant-regression.png|center|600px|thumb]]
  
 +
==Youtube==
  
 +
* [https://www.youtube.com/watch?v=8c1jQkI8NCY YOUTUBE: Model Constant & CN2 Rule Inducer]
  
 
==Referensi==
 
==Referensi==

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.

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 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.

Constant-classification.png

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.

Constant-regression.png

Youtube

Referensi

Pranala Menarik