Difference between revisions of "Orange: Stacking"

From OnnoWiki
Jump to navigation Jump to search
Line 2: Line 2:
  
  
Stack (menumpuk) multiple model.
+
Widget Stacking berfungsi untuk stacking (menumpuk) multiple model.
  
 
==Input==
 
==Input==

Revision as of 18:28, 5 April 2020

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


Widget Stacking berfungsi untuk stacking (menumpuk) multiple model.

Input

Data: input dataset
Preprocessor: preprocessing method(s)
Learners: learning algorithm
Aggregate: model aggregation method

Output

Learner: aggregated (stacked) learning algorithm
   Model: trained model

Stacking is an ensemble method that computes a meta model from several base models. The Stacking widget has the Aggregate input,Stacking adalah metode ensemble yang menghitung model meta dari beberapa model dasar. Widget Stacking memiliki input agregat, yang menyediakan metode untuk menggabungkan model input. Jika tidak ada input agregasi yang diberikan, metode default akan digunakan. Model default tersebut adalah Logistic Regression untuk classification (klasifikasi) dan Ridge Regression untuk regression (regresi).

Stacking-stamped.png
  • The meta learner can be given a name under which it will appear in other widgets. The default name is “Stack”.
  • Click Apply to commit the aggregated model. That will put the new learner in the output and, if the training examples are given, construct a new model and output it as well. To communicate changes automatically tick Apply Automatically.
  • Access help and produce a report.

Contoh

Kita akan menggunakan widget Paint Data untuk menunjukkan bagaimana widget Staking digunakan. Kita paint dataset yang kompleks dengan 4 label class dan mengirimkannya ke widget Test & Score. Kita juga menyediakan tiga learner widget kNN, masing-masing dengan parameter yang berbeda (jumlah neighbour adalah 5, 10 atau 15). Hasil evaluasi yang dihasilkan baik, tetapi bisakah kita membuatnya lebih baik?

Mari kita gunakan stacking. Stacking membutuhkan beberapa learner pada input dan metode agregasi. Dalam kasus kita, ini adalah widget Logistic Regression. Sebuah constructed meta learner dikirim ke widget Test & Score. Hasil telah meningkat, walaupun hanya sedikit. Stacking biasanya bekerja dengan baik pada dataset yang kompleks.

Stacking-Example.png

Referensi

Pranala Menarik