UMAP
UMAP (Uniform Manifold Approximation and Projection) es un método rápido y escalable de reducción de dimensionalidad no lineal, basado en la teoría de aprendizaje de variedades (manifold learning), introducido por McInnes, Healy y Melville en 2018. Comprime datos de alta dimensionalidad en una incrustación de baja dimensionalidad para visualización y análisis posteriores.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- McInnes, L., Healy, J. & Melville, J. (2018). UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction. arXiv:1802.03426. link ↗
Cómo citar esta página
ScholarGate. (2026, June 1). Uniform Manifold Approximation and Projection. ScholarGate. https://scholargate.app/es/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.
- Análisis FactorialEstadística para la investigación↔ compare
- Agrupamiento K-mediasAprendizaje automático↔ compare
- Análisis de Componentes PrincipalesAprendizaje automático↔ compare
- Random ForestAprendizaje automático↔ compare
- t-SNEAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →