Orange: Distances

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

Menghitung distance antara baris/kolom di dataset.

Input

Data: input dataset

Output

Distances: distance matrix

Widget Distances menghitung jarak antara baris atau kolom dalam dataset. Secara default, data akan dinormalisasi untuk memastikan perlakuan yang sama atas individual feature. Normalisasi selalu dilakukan column-wise (menggunakan kolom sebagai referensi).

Sparse data hanya bisa digunakan dengan Euclidean, Manhattan dan Cosine metric.

Matrix distance yang dihasilkan dapat diumpankan lebih lanjut ke Hierarchical Clustering untuk mengungkap group dalam data, ke Distance Map atau Distance Matrix untuk memvisualisasikan jarak (Distance Matrix bisa sangat lambat untuk dataset yang besar), ke MDS untuk memetakan contoh data menggunakan matrix distance dan akhirnya, disimpan dengan Save Distance Matrix. Distance File dapat di load dengan Distance File.

Distances juga bekerja dengan baik dengan add-on Orange. Distance Matrix dapat diumpankan ke Network from Distances (Network add-on) untuk mengubah matrix menjadi graph dan ke Duplicate Detection (Text add-on) untuk menemukan duplikasi dokumen dalam corpus.

• Choose whether to measure distances between rows or columns.
• Choose the Distance Metric:
  • Euclidean (“straight line”, distance between two points)
  • Manhattan (the sum of absolute differences for all attributes)
  • Cosine (the cosine of the angle between two vectors of an inner product space)
  • Jaccard (the size of the intersection divided by the size of the union of the sample sets)
  • Spearman(linear correlation between the rank of the values, remapped as a distance in a [0, 1] interval)
  • Spearman absolute(linear correlation between the rank of the absolute values, remapped as a distance in a [0, 1] interval)
  • Pearson (linear correlation between the values, remapped as a distance in a [0, 1] interval)
  • Pearson absolute (linear correlation between the absolute values, remapped as a distance in a [0, 1] interval)
  • Hamming (the number of features at which the corresponding values are different)
  • Bhattacharyya distance (Similarity between two probability distributions, not a real distance as it doesn’t obey triangle inequality.)
• Normalize the features. Normalization is always done column-wise. Values are zero centered and scaled. In case of missing values, the widget automatically imputes the average value of the row or the column. The widget works for both numeric and categorical data. In case of categorical data, the distance is 0 if the two values are the same (‘green’ and ‘green’) and 1 if they are not (‘green’ and ‘blue’).
• ick Apply Automatically to automatically commit changes to other widgets. Alternatively, press ‘Apply’.

Contoh

Contoh pertama menunjukkan penggunaan widget Distances. Kita menggunakan data iris.tab dari widget File. Kita menghitung jarak antara instance data (baris) dan meneruskan hasilnya ke Hierarchical Clustering. Ini adalah alur kerja sederhana untuk menemukan grup di instance data.

Atau, kita dapat menghitung jarak antar kolom dan menemukan betapa miripnya feature-feature yang ada.

Contoh kedua menunjukkan bagaimana memvisualisasikan matrix distance yang dihasilkan. Cara yang bagus untuk mengamati kesamaan data adalah dalam Distance Map atau dalam MDS.

Referensi

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

Pranala Menarik

• Orange