UMAP
UMAP (Uniform Manifold Approximation and Projection) — это быстрый, масштабируемый метод нелинейного снижения размерности, основанный на теории обучения многообразий, представленный МакИннесом, Хили и Мелвиллом в 2018 году. Он сжимает высокоразмерные данные в низкоразмерное вложение для визуализации и последующего анализа.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- McInnes, L., Healy, J. & Melville, J. (2018). UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction. arXiv:1802.03426. link ↗
Как цитировать эту страницу
ScholarGate. (2026, June 1). Uniform Manifold Approximation and Projection. ScholarGate. https://scholargate.app/ru/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.
- Факторный анализСтатистика исследований↔ compare
- Кластеризация методом k-среднихМашинное обучение↔ compare
- Анализ главных компонентМашинное обучение↔ compare
- Случайный лесМашинное обучение↔ compare
- t-SNEМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →