Difference between revisions of "Orange: Stacking"

From OnnoWiki
Jump to navigation Jump to search
 
(4 intermediate revisions by the same user not shown)
Line 2: Line 2:
  
  
Stack multiple models.
+
Widget Stacking berfungsi untuk stacking (menumpuk) multiple model.
  
 
==Input==
 
==Input==
Line 16: Line 16:
 
     Model: trained model
 
     Model: trained model
  
Stacking is an ensemble method that computes a meta model from several base models. The Stacking widget has the Aggregate input, which provides a method for aggregating the input models. If no aggregation input is given the default methods are used. Those are Logistic Regression for classification and Ridge Regression for regression problems.
+
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).
  
 
[[File:Stacking-stamped.png|center|200px|thumb]]
 
[[File:Stacking-stamped.png|center|200px|thumb]]
Line 26: Line 26:
 
==Contoh==
 
==Contoh==
  
We will use Paint Data to demonstrate how the widget is used. We painted a complex dataset with 4 class labels and sent it to Test & Score. We also provided three kNN learners, each with a different parameters (number of neighbors is 5, 10 or 15). Evaluation results are good, but can we do better?
+
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?
 
 
Let’s use Stacking. Stacking requires several learners on the input and an aggregation method. In our case, this is Logistic Regression. A constructed meta learner is then sent to Test & Score. Results have improved, even if only marginally. Stacking normally works well on complex data sets.
 
 
 
[[File:Stacking-Example.png|center|200px|thumb]]
 
  
 +
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.
  
 +
[[File:Stacking-Example.png|center|600px|thumb]]
  
 
==Referensi==
 
==Referensi==

Latest revision as of 11:06, 6 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 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