
English: 
We love our data,
but most of the time our data is big, with many variables,
and making sense of it is a difficult task.
Well not so difficult in Orange.
Let us load the iris data that we have used in some of our previous videos
and connect it to Scatter Plot.
Scatter plots are great!
They can show us the relationship between two variables
But our data rarely has only two variables.
Even iris data has four.
How could I see the relationship between more than two features?
With FreeViz.
FreeViz is a multi variable projection method
for uncovering feature interactions
in a data with class variable.
If we pass iris data to FreeViz

Portuguese: 
Adoramos nossos dados,
mas na maioria das vezes nossos dados são grandes, com muitas variáveis,
e entender isso é uma tarefa difícil.
Bem, não é tão difícil em Orange.
Vamos carregar os dados da íris que usamos em alguns de nossos vídeos anteriores
e conectar ao Scatter Plot.
Gráficos de dispersão são ótimos!
Eles podem nos mostrar a relação entre duas variáveis
mas nossos dados raramente têm apenas duas variáveis.
Até os dados da íris têm quatro.
Como eu pude ver a relação entre mais de dois recursos?
Com o FreeViz.
FreeViz é um método de projeção multi-variável
para descobrir interações de recursos
em um dado com variável de classe.
Se passarmos os dados da íris para o FreeViz

Serbian: 
Mi volimo naše podatke.
Ali većinu vremena, naši podaci su 
veliki - imaju mnogo varijabli.
Zopg toga je teško 
sprovesti smislenu analizu.
Ipak, nije toliko teško 
u Orange-u.
Učitajmo 'Iris' skup podataka, koji smo 
koristili u nekim od prethodnih klipova,
i povežimo ga sa 'Scatter plot'-om.
'Scatter plot'-ovi su sjajni -
mogu nam pokazati vezu 
između dva atributa.
Ali, naši podaci retko imaju 
samo dva atributa.
Čak i 'Iris' skup podataka ima četiri.
Kako možemo videti veze 
između više od dva atributa?
Uz pomoć 'Freeviz' operatora.
'Freeviz' je multivarijacioni 
metod projekcije podataka
za oktrivanje interakcija atributa
u podacima koji imaju 
klasni atribut.
Ako prosledimo 'Iris' skup 
podataka do 'Freeviz'-a,

Portuguese: 
o widget inicialmente colocaria as variáveis ​​em um círculo invisível,
tornando-os igualmente importantes.
Pressione Otimizar,
e o FreeViz reorganizará a projeção,
e encontre o que melhor separa pontos de diferentes classes.
Ao fazer isso, a otimização expõe os recursos mais relevantes dos dados.
Variáveis ​​associadas a eixos mais longos
são mais importantes para um valor de classe específico.
E aquelas variáveis ​​que estão mais próximas
também são mais correlacionados.
Flores de íris setosa, marcadas com círculos azuis,
têm altos valores de largura sépala,
e pétalas grandes são distintas para a íris virginica.
Por outro lado, o comprimento da sépala não desempenha nenhum papel.
Vamos ver isso em um exemplo diferente.
O conjunto de dados do zoológico contém 100 animais classificados

Serbian: 
operator će, inicijalno, postaviti 
atribute u nevidljivi krug
dajući im podjednaku važnost.
Kliknite na 'Optimize', i operator 
će preorijentisati projekciju
i pronaći onu koja najbolje 
razdvaja instance različitih klasa.
Na taj način, operator otkriva 
najvažnije atribute.
Atributi sa dužom osom su važniji 
za određivanje određene klase,
a oni koji su bliži jedni drugima 
su više međusobno korelisani.
Cvetovi 'Iris setosa', 
označeni plavim krugovima,
imaju visoke vrednosti 
širine kruničnih listića,
a velike latice razlikuju
cvetove 'Iris virginica'-e.
Sa druge strane, dužina kruničnih 
listića nema nikakvu ulogu.
Hajde da isprobamo drugi primer.
'Zoo' skup podaka sadrži 100 životinja, 
klasifikovanih u 7 različitih grupa -

English: 
the widget would initially place the variables on an invisible circle,
making them equally important.
Press Optimize,
and FreeViz will rearrange the projection,
and find the one that best separates points of different classes.
By doing this, optimization exposes the most relevant features of the data.
Variables associated with longer axes
are more important for a specific class value.
And those variables that lie closer together
are more correlated, too.
Iris setosa flowers, which are marked with blue circles,
have high values of sepal width,
and large petals are distinctive for iris virginica.
On the other hand sepal length does not play any role.
Let us see this on a different example.
The zoo data set contains 100 animals classified

Serbian: 
sisare, ribe, ptice, itd.
Koristićemo 'Freeviz' projekciju
da istražimo veze između svih 15 atributa
i pokušamo da otkrijemo da li 
postoji neka struktura u podacima.
U 'File' operatoru, jednostavno 
zamenite 'Iris' sa 'Zoo' podacima,
koristeći opciju 'Browse 
documentation datasets'.
Freeviz će istovremeno prikazati 
neoptimizovanu projekciju.
Iskoristimo ponovo 'Optimize' opciju,
da otkrijemo veze između atributa 
životinja i njihovih klasa.
Možemo upotrebiti opciju
'Show class density'
da bismo videli da li je 'Freeviz' zaista 
uspeo da napravi dinstinkciju među klasama.
Izgleda da jeste.
Postojanje dlake i stvaranje mleka
jesu karakteristike sisara
dok je vodeno stanište odlika riba.
Na drugoj strani projekcije se nalaze 
životinje koje ležu jaja i imaju perje.

Portuguese: 
em sete grupos, incluindo mamíferos,
peixe, pássaro e assim por diante.
Vamos usar a projeção FreeViz
para investigar a relação entre todas as 15 variáveis
e veja se há alguma estrutura nos dados.
No widget Arquivo, simplesmente altere a íris para zoo
com Browse, conjuntos de dados da documentação.
No FreeViz, vemos instantaneamente a projeção não otimizada.
Vamos usar o Optimize novamente
para revelar as relações entre características e classes de animais.
Podemos até usar 'Mostrar densidade de classe'
para observar se a projeção de dados no FreeViz
realmente conseguiu distinguir entre diferentes valores de classe.
Parece que sim.
Ter cabelo e dar leite
é uma propriedade distintiva dos mamíferos
enquanto ser aquático é uma propriedade de peixes.
Do outro lado da projeção
são aqueles animais que põem ovos e têm penas.

English: 
into seven groups including mammals,
fish, bird and so on.
We will use FreeViz projection
to investigate relationship between all 15 variables
and see whether there's some structure in the data.
In the File widget simply change iris to zoo
with Browse documentation data sets.
In FreeViz, we instantly see the unoptimized projection.
Let's use Optimize again
to reveal the relations between features and animal classes.
We can,even use 'Show class density'
to observe whether the data projection in FreeViz
really managed to distinguish between different class values.
It looks like it does.
Having hair and giving milk
is a distinguishing property of mammals
while being aquatic is a property of fish.
On the other side of the projection
are those animals that lay eggs and have feathers.

Serbian: 
To znači da sisari nemaju ni 
jedno od tih obeležja,
jer se nalaze nasuprot tim atributima.
Konačno, u središtu grafika
vidimo atribute koji nisu informativni:
npr. da li su pripitomljene ili ne.
Ove atribute možemo isključiti iz analize,
povećavajući radijus isključenja.
Vizuelizacija mnogo olakšava 
interpretaciju podataka.
U ovom klipu smo naučili kako da 
otkrijemo zanimljive veze
između ulaznih i klasnog atributa,
u skupu podataka koji ima klasu,
i kako da interpretiramo 
'Freeviz' projekciju.

Portuguese: 
Isso significa que os mamíferos não têm nenhuma dessas duas propriedades
desde que eles são colocados em frente aos dois recursos.
Finalmente, no centro da trama,
vemos recursos que não são muito informativos,
como domesticidade animal.
Podemos excluir esses recursos do gráfico
aumentando o raio de blecaute.
As visualizações facilitam muito a interpretação dos dados.
Neste vídeo, aprendemos como descobrir relações interessantes
entre classes e recursos
em um conjunto de dados de rótulo de classe
e como interpretar a projeção FreeViz.

English: 
This means mammals do not have any of those two properties
since they are placed opposite of the two features.
Finally, at the center of the plot,
we see features that are not very informative,
such as animal domesticity.
We can exclude these features from the graph
by increasing the blackout radius.
Visualizations make data interpretation so much easier.
In this video, we learned how to uncover interesting relations
between classes and features
in a class label data set
and how to interpret the FreeViz projection.
