Difference between revisions of "Orange: Neural Network"

From OnnoWiki
Jump to navigation Jump to search
 
(5 intermediate revisions by the same user not shown)
Line 1: Line 1:
 
Sumber:https://docs.biolab.si//3/visual-programming/widgets/model/neuralnetwork.html
 
Sumber:https://docs.biolab.si//3/visual-programming/widgets/model/neuralnetwork.html
  
Sebuah multi-layer perceptron (MLP) algorithm dengan backpropagation.
+
Widget Neural Network sebuah multi-layer perceptron (MLP) algorithm dengan backpropagation.
  
 
==Input==
 
==Input==
Line 13: Line 13:
 
  Model: trained model
 
  Model: trained model
  
Widget Neural Network menggunakan sklearn Multi-layer Perceptron algorithm yang dapat learn non-linear maupun linear model.
+
Widget Neural Network menggunakan sklearn Multi-layer Perceptron algorithm yang dapat learn non-linear maupun linear model. Kita bisa mengatur activatio function yang digunakan (default ReLu), jumlah Neuron per hidden layer Solver yang digunakan (default Adam) dll.
  
[[File:NeuralNetwork-stamped.png|center|200px|thumb]]
+
[[File:NeuralNetwork-stamped.png|center|300px|thumb]]
  
 
* A name under which it will appear in other widgets. The default name is “Neural Network”.
 
* A name under which it will appear in other widgets. The default name is “Neural Network”.
Line 41: Line 41:
 
==Contoh==
 
==Contoh==
  
Contoh pertama adalah task classification pada iris dataset. Kita membandingkan hasil dari Neural Network dengan Logistic Regression.
+
Contoh berikut adalah task classification pada iris dataset. Kita membandingkan hasil dari widget Neural Network dengan widget Logistic Regression.
  
[[File:NN-Example-Test.png|center|200px|thumb]]
+
[[File:NN-Example-Test.png|center|600px|thumb]]
  
Contoh ke dua adalah task prediction, menggunakan iris data. Workflow ini memperlihatkan bagaimana cara menggunakan keluaran Learner. Kita memasukan Neural Network prediction model ke widget Predictions dan mengamati nilai hasil prediksi.
+
Contoh berikut adalah task prediction, menggunakan iris data. Workflow ini memperlihatkan bagaimana cara menggunakan keluaran Learner. Kita memasukan widget Neural Network prediction model ke widget Predictions dan mengamati nilai hasil prediksi.
  
[[File:NN-Example-Predict.png|center|200px|thumb]]
+
[[File:NN-Example-Predict.png|center|600px|thumb]]
  
 
Contoh WorkFlow lainnya,
 
Contoh WorkFlow lainnya,
Line 54: Line 54:
 
[[File:Orange-NN.png|center|400px|thumb]]
 
[[File:Orange-NN.png|center|400px|thumb]]
  
 +
==Youtube==
 +
 +
* [https://www.youtube.com/watch?v=I6OrCwZE47o YOUTUBE: ORANGE neural network]
  
 
==Referensi==
 
==Referensi==

Latest revision as of 05:01, 9 April 2020

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

Widget Neural Network sebuah multi-layer perceptron (MLP) algorithm dengan backpropagation.

Input

Data: input dataset
Preprocessor: preprocessing method(s)

Output

Learner: multi-layer perceptron learning algorithm
Model: trained model

Widget Neural Network menggunakan sklearn Multi-layer Perceptron algorithm yang dapat learn non-linear maupun linear model. Kita bisa mengatur activatio function yang digunakan (default ReLu), jumlah Neuron per hidden layer Solver yang digunakan (default Adam) dll.

NeuralNetwork-stamped.png
  • A name under which it will appear in other widgets. The default name is “Neural Network”.
  • Set model parameters:
    • Neurons per hidden layer: defined as the ith element represents the number of neurons in the ith hidden layer. E.g. a neural network with 3 layers can be defined as 2, 3, 2.
    • Activation function for the hidden layer:
      • Identity: no-op activation, useful to implement linear bottleneck
      • Logistic: the logistic sigmoid function
      • tanh: the hyperbolic tan function
      • ReLu: the rectified linear unit function
    • Solver for weight optimization:
      • L-BFGS-B: an optimizer in the family of quasi-Newton methods
      • SGD: stochastic gradient descent
      • Adam: stochastic gradient-based optimizer
    • Alpha: L2 penalty (regularization term) parameter
    • Max iterations: maximum number of iterations
  • Other parameters are set to sklearn’s defaults.
  • Produce a report.
  • When the box is ticked (Apply Automatically), the widget will communicate changes automatically. Alternatively, click Apply.

Contoh

Contoh berikut adalah task classification pada iris dataset. Kita membandingkan hasil dari widget Neural Network dengan widget Logistic Regression.

NN-Example-Test.png

Contoh berikut adalah task prediction, menggunakan iris data. Workflow ini memperlihatkan bagaimana cara menggunakan keluaran Learner. Kita memasukan widget Neural Network prediction model ke widget Predictions dan mengamati nilai hasil prediksi.

NN-Example-Predict.png

Contoh WorkFlow lainnya,


Orange-NN.png

Youtube

Referensi

Pranala Menarik