Uniform Manifold Approximation and Projection
البيانات الحقيقية ذات السمات العديدة غالباً ما تقع على سطح منحني ذي أبعاد أقل بكثير، أو مشعب (manifold)، مضمن في الفضاء عالي الأبعاد. تحاول UMAP تعلم شكل هذا السطح من كيفية تجمع النقاط بالقرب من جيرانها، ثم تفككه إلى بعدين أو ثلاثة أبعاد بحيث يصبح الهيكل مرئياً. مقارنةً بـ t-SNE، تميل إلى الاحتفاظ بالمزيد من التخطيط العام مع بقائها أسرع بكثير على مجموعات البيانات الكبيرة.
اقرأ الطريقة كاملة
سجّل الدخول بحساب مجاني لقراءة هذا القسم.
Method map
The neighbourhood of related methods — select a node to explore.
المصادر
- McInnes, L., Healy, J. & Melville, J. (2018). UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction. arXiv:1802.03426. link ↗
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 1). Uniform Manifold Approximation and Projection. ScholarGate. https://scholargate.app/ar/machine-learning/umap-reduction
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- تحليل العواملإحصاء البحث↔ compare
- تجميع K-meansتعلم الآلة↔ compare
- تحليل المكونات الرئيسيةتعلم الآلة↔ compare
- الغابات العشوائيةتعلم الآلة↔ compare
- t-SNEتعلم الآلة↔ compare