UMAP
UMAP (Uniform Manifold Approximation and Projection) é um método rápido e escalável de redução de dimensionalidade não linear, fundamentado na teoria de aprendizado de variedades (manifold learning), introduzido por McInnes, Healy e Melville em 2018. Ele comprime dados de alta dimensionalidade em um "embedding" de baixa dimensionalidade para visualização e análise subsequente.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- McInnes, L., Healy, J. & Melville, J. (2018). UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction. arXiv:1802.03426. link ↗
Como citar esta página
ScholarGate. (2026, June 1). Uniform Manifold Approximation and Projection. ScholarGate. https://scholargate.app/pt/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.
- Análise FatorialEstatística para pesquisa↔ compare
- Agrupamento K-meansAprendizado de máquina↔ compare
- Análise de Componentes PrincipaisAprendizado de máquina↔ compare
- Random ForestAprendizado de máquina↔ compare
- t-SNEAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →