UMAP
UMAP (Uniform Manifold Approximation and Projection) on nopea, skaalautuva epälineaarinen dimensionpudotusmenetelmä, joka perustuu käpertymäoppimisen teoriaan. Sen esittelivät McInnes, Healy ja Melville vuonna 2018. Se pakkaa korkeaulotteista dataa matalaulotteiseksi upotukseksi visualisointia ja jatkoanalyysiä varten.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- McInnes, L., Healy, J. & Melville, J. (2018). UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction. arXiv:1802.03426. link ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 1). Uniform Manifold Approximation and Projection. ScholarGate. https://scholargate.app/fi/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.
- FaktorianalyysiTutkimuksen tilastomenetelmät↔ compare
- K-means-klusterointiKoneoppiminen↔ compare
- PääkomponenttianalyysiKoneoppiminen↔ compare
- Random ForestKoneoppiminen↔ compare
- t-SNEKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →