UMAP
UMAP (Uniform Manifold Approximation and Projection) is een snelle, schaalbare niet-lineaire methode voor dimensionaliteitsreductie, gegrond in manifold-learning theorie, geïntroduceerd door McInnes, Healy en Melville in 2018. Het comprimeert hoog-dimensionale data naar een laag-dimensionale inbedding voor visualisatie en verdere analyse.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- McInnes, L., Healy, J. & Melville, J. (2018). UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction. arXiv:1802.03426. link ↗
Deze pagina citeren
ScholarGate. (2026, June 1). Uniform Manifold Approximation and Projection. ScholarGate. https://scholargate.app/nl/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.
- FactoranalyseOnderzoeksstatistiek↔ compare
- K-means ClusteringMachine learning↔ compare
- HoofdcomponentenanalyseMachine learning↔ compare
- Random ForestMachine learning↔ compare
- t-SNEMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →