UMAP
UMAP (Uniform Manifold Approximation and Projection) to szybka, skalowalna nieliniowa metoda redukcji wymiarowości, oparta na teorii uczenia się rozmaitości (manifold learning), wprowadzona przez McInnesa, Healy'ego i Melville'a w 2018 roku. Kompresuje ona dane o wysokiej wymiarowości do niskowymiarowego osadzenia (embedding) w celu wizualizacji i dalszej analizy.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- McInnes, L., Healy, J. & Melville, J. (2018). UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction. arXiv:1802.03426. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 1). Uniform Manifold Approximation and Projection. ScholarGate. https://scholargate.app/pl/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.
- Factor AnalysisStatystyka w badaniach↔ compare
- Grupowanie K-średnich (K-means Clustering)Uczenie maszynowe↔ compare
- Analiza Głównych SkładowychUczenie maszynowe↔ compare
- Random ForestUczenie maszynowe↔ compare
- t-SNEUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →