UMAP
UMAP (Uniform Manifold Approximation and Projection) ir ātra, mērogojama nelineāra dimensiju samazināšanas metode, kas balstīta uz kopumu (manifold) apguves teoriju, ko 2018. gadā ieviesa McInnes, Healy un Melville. Tā saspiež augstdimensionālus datus zemsimensionālā ietērpā vizualizācijai un turpmākai analīzei.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- McInnes, L., Healy, J. & Melville, J. (2018). UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction. arXiv:1802.03426. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). Uniform Manifold Approximation and Projection. ScholarGate. https://scholargate.app/lv/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.
- Faktoru analīzePētniecības statistika↔ compare
- K-means klasterizācijaMašīnmācīšanās↔ compare
- Primārā komponentu analīzeMašīnmācīšanās↔ compare
- Random ForestMašīnmācīšanās↔ compare
- t-SNEMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →