UMAP
UMAP (Uniform Manifold Approximation and Projection) je rychlá, škálovatelná metoda nelineární redukce dimenzí založená na teorii učení z variet, kterou v roce 2018 představili McInnes, Healy a Melville. Komprimuje vícerozměrná data do nízkorozměrného vnoření pro vizualizaci a následnou analýzu.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- McInnes, L., Healy, J. & Melville, J. (2018). UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction. arXiv:1802.03426. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 1). Uniform Manifold Approximation and Projection. ScholarGate. https://scholargate.app/cs/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.
- Faktorová analýzaStatistika ve výzkumu↔ compare
- K-means ShlukováníStrojové učení↔ compare
- Analýza hlavních komponentStrojové učení↔ compare
- Random ForestStrojové učení↔ compare
- t-SNEStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →