UMAP
UMAP (Uniform Manifold Approximation and Projection) je rýchla, škálovateľná nelineárna metóda redukcie dimenzie založená na teórii učenia sa variety (manifold learning), ktorú v roku 2018 predstavili McInnes, Healy a Melville. Komprimuje vysokodimenzionálne dáta do nízkodimenzionálneho vloženia (embedding) pre vizualizáciu a následnú analýzu.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- McInnes, L., Healy, J. & Melville, J. (2018). UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction. arXiv:1802.03426. link ↗
Ako citovať túto stránku
ScholarGate. (2026, June 1). Uniform Manifold Approximation and Projection. ScholarGate. https://scholargate.app/sk/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.
- Faktorová analýzaŠtatistika vo výskume↔ compare
- Zhlukovanie K-meansStrojové učenie↔ compare
- Analýza hlavných komponentovStrojové učenie↔ compare
- Náhodný lesStrojové učenie↔ compare
- t-SNEStrojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →