UMAP
Το UMAP (Uniform Manifold Approximation and Projection) είναι μια ταχεία, κλιμακούμενη μέθοδος μη γραμμικής μείωσης διαστάσεων, θεμελιωμένη στη θεωρία εκμάθησης πολλαπλότητας (manifold learning), η οποία εισήχθη από τους McInnes, Healy και Melville το 2018. Συμπιέζει δεδομένα υψηλών διαστάσεων σε ενσωμάτωση (embedding) χαμηλών διαστάσεων για οπτικοποίηση και επακόλουθη ανάλυση.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- McInnes, L., Healy, J. & Melville, J. (2018). UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction. arXiv:1802.03426. link ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 1). Uniform Manifold Approximation and Projection. ScholarGate. https://scholargate.app/el/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.
- Ανάλυση ΠαραγόντωνΕρευνητική Στατιστική↔ compare
- Ομαδοποίηση K-meansΜηχανική Μάθηση↔ compare
- Ανάλυση Κύριων ΣυνιστωσώνΜηχανική Μάθηση↔ compare
- Τυχαίο ΔάσοςΜηχανική Μάθηση↔ compare
- t-SNEΜηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →