UMAP
UMAP (Uniform Manifold Approximation and Projection) és un mètode ràpid i escalable de reducció de dimensionalitat no lineal fonamentat en la teoria d'aprenentatge de varietats (manifold learning), introduït per McInnes, Healy i Melville el 2018. Comprimeix dades d'alta dimensionalitat en una incrustació (embedding) de baixa dimensionalitat per a visualització i anàlisi posterior.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- McInnes, L., Healy, J. & Melville, J. (2018). UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction. arXiv:1802.03426. link ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 1). Uniform Manifold Approximation and Projection. ScholarGate. https://scholargate.app/ca/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.
- Anàlisi FactorialEstadística per a la recerca↔ compare
- Agrupació K-meansAprenentatge automàtic↔ compare
- Anàlisi de Components PrincipalsAprenentatge automàtic↔ compare
- Random ForestAprenentatge automàtic↔ compare
- t-SNEAprenentatge automàtic↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →