UMAP
UMAP (Uniform Manifold Approximation and Projection) è un metodo di riduzione della dimensione non lineare, veloce e scalabile, basato sulla teoria dell'apprendimento delle varietà (manifold learning), introdotto da McInnes, Healy e Melville nel 2018. Comprime dati ad alta dimensionalità in un embedding a bassa dimensionalità per la visualizzazione e l'analisi successiva.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- McInnes, L., Healy, J. & Melville, J. (2018). UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction. arXiv:1802.03426. link ↗
Come citare questa pagina
ScholarGate. (2026, June 1). Uniform Manifold Approximation and Projection. ScholarGate. https://scholargate.app/it/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.
- Analisi FattorialeStatistica per la ricerca↔ compare
- Clustering K-meansApprendimento automatico↔ compare
- Analisi delle Componenti PrincipaliApprendimento automatico↔ compare
- Random ForestApprendimento automatico↔ compare
- t-SNEApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →