Here is the article in Indonesian, using Markdown formatting:

Diagram Grafik Satu Arah

Mari kita alihkan perhatian ke masalah arah sebelumnya dengan menggunakan matrix hasil yang tidak simetris sebagai matrix adjacency dari grafik berarah. Kemudian, kelas akan menjadi node grafik dan edgenya akan menunjukkan kesalahan klasifikasi umum. Kita dapat menggunakan paket igraph untuk visualisasi grafik ini.

library(igraph)
plot(
 graph_from_adjacency_matrix(t(miss_table > 12), mode='directed'), 
 main="Grafik Berarah: Real -> Prediksi Salah")

Kelebihan

• Grafik ini dapat menunjukkan imbalance kesalahan yang jelas: sementara 5 dapat diklasifikasi salah sebagai 9, 9 hampir tidak pernah diklasifikasi salah sebagai 5. Imbalance seperti itu dapat ditemukan dengan mudah dengan mencari edgenya yang hanya memiliki satu panah.
• Grafik ini tidak dapat menjelaskan diri sendiri, tetapi mungkin menjadi companion yang berguna untuk heatmap jika arahnya penting dan relevan.

Kekurangan

• Sulit menjelaskan kepada audiens awam. Tidak ada makna relatif kemungkinan setiap tipe kesalahan.
• Grafik ini tidak memiliki nilai sendiri, tetapi mungkin menjadi suplemen yang berguna jika arahnya penting dan relevan.

Deep Dive ke Kesalahan

Hierarchy yang di atas mengisyaratkan hubungan kuat antara kelas 3 dan 5. Kita dapat menjelajahi hal ini lebih dalam dengan mengambil contoh acak kesalahan-kesalahan tersebut dan memplotkannya penuh.

Beberapa kesalahan ini lebih mudah dimaafkan daripada yang lain, tetapi jelas bahwa algoritma multinomial sedang berjuang ketika suatu digit ditulis dalam cara yang membuat fitur kritikal bergeser beberapa piksel. Sebuah algoritma yang tidak melihat semua 784 pixel sekaligus tapi fokus pada fitur-fitur atau pola tertentu dalam cara yang invariant terhadap translasi akan lebih baik… Sementara saya tidak sangat tertarik dengan detail masalah, fakta bahwa cara untuk memperbaiki model ini langsung timbul ketika kita melihat beberapa contoh kesalahan-kesalahan tersebut menunjukkan bahwa jenis penyelidikan yang dalam ini adalah suplemen yang berguna.

Kesimpulan

Menggunakan clustering hierarkis pada matrix konfusion $k \times k$ dan menampilkan hasilnya sebagai dendrogram sangat sukses dalam mencari hubungan yang sesungguhnya antara kelas, tetapi menghilangkan informasi arah. Namun, ini dapat disuplemen dengan grafik berarah jika arahnya penting. Saya juga menemukan bahwa mempresentasikan dendrogram bersama dengan heatmap adalah cara visualisasi yang sangat baik untuk melihat struktur dan hasil nyata algoritma klasifikasi multikelas. Akhirnya, saya menemukan bahwa hanya beberapa contoh konkret setiap tipe kesalahan-kesalahan tersebut dapat memberikan insights tentang mana yang dapat dihandle oleh classifier dan mana yang tidak.

Bagaimana Menambahkan Legenda pada Plot Skatter dengan Matplotlib?

Saya ingin menambahkan legenda pada plot skatter saya, saya menggunakan parameter c untuk mengelompokkan kelas dan mengasign warna.
Kode saya adalah sebagai berikut:

peral = data[['SiO2a', 'A/CNK','Type', 'Code']]

Namun, saya ingin membuat legenda yang menampilkan nama-nama asli kolom Type. Apakah ada orang yang tahu cara melakukannya?