UMAP
UMAP (Uniform Manifold Approximation and Projection) est une méthode rapide et évolutive de réduction de dimensionnalité non linéaire, fondée sur la théorie de l'apprentissage des variétés (manifold learning), introduite par McInnes, Healy et Melville en 2018. Elle compresse les données de haute dimensionnalité dans un plongement de faible dimensionnalité pour la visualisation et l'analyse en aval.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- McInnes, L., Healy, J. & Melville, J. (2018). UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction. arXiv:1802.03426. link ↗
Comment citer cette page
ScholarGate. (2026, June 1). Uniform Manifold Approximation and Projection. ScholarGate. https://scholargate.app/fr/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.
- Analyse factorielleStatistiques de recherche↔ compare
- Regroupement par K-moyennesApprentissage automatique↔ compare
- Analyse en composantes principalesApprentissage automatique↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- t-SNEApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →