UMAP
UMAP (Uniform Manifold Approximation and Projection) ialah kaedah pengurangan dimensi tak linear yang pantas dan berskala, berlandaskan teori pembelajaran manifold, diperkenalkan oleh McInnes, Healy dan Melville pada 2018. Ia memampatkan data berdimensi tinggi kepada penyematan berdimensi rendah untuk visualisasi dan analisis hiliran.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- McInnes, L., Healy, J. & Melville, J. (2018). UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction. arXiv:1802.03426. link ↗
Cara memetik halaman ini
ScholarGate. (2026, June 1). Uniform Manifold Approximation and Projection. ScholarGate. https://scholargate.app/ms/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.
- Analisis FaktorStatistik Penyelidikan↔ compare
- PengeLCManan K-meansPembelajaran Mesin↔ compare
- Analisis Komponen UtamaPembelajaran Mesin↔ compare
- Random ForestPembelajaran Mesin↔ compare
- t-SNEPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →