UMAP
UMAP (Uniform Manifold Approximation and Projection) brza je, skalabilna nelinearna metoda redukcije dimenzionalnosti utemeljena na teoriji učenja o varijetetima (manifold learning), koju su 2018. predstavili McInnes, Healy i Melville. Komprimira visokodimenzionalne podatke u niskodimenzionalni ugradak (embedding) za vizualizaciju i daljnju analizu.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- McInnes, L., Healy, J. & Melville, J. (2018). UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction. arXiv:1802.03426. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 1). Uniform Manifold Approximation and Projection. ScholarGate. https://scholargate.app/hr/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.
- Faktorska analizaIstraživačka statistika↔ compare
- Grupna analiza K-meansStrojno učenje↔ compare
- Analiza glavnih komponentStrojno učenje↔ compare
- Slučajna šumaStrojno učenje↔ compare
- t-SNEStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →