UMAP
UMAP (Uniform Manifold Approximation and Projection) je brza, skalabilna nelinearna metoda redukcije dimenzionalnosti utemeljena na teoriji učenja o varijetetima (manifold learning), koju su 2018. godine predstavili McInnes, Healy i Melville. Ona komprimuje visokodimenzionalne podatke u niskodimenzionalno ugrađivanje (embedding) radi vizualizacije i naknadne analize.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- McInnes, L., Healy, J. & Melville, J. (2018). UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction. arXiv:1802.03426. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 1). Uniform Manifold Approximation and Projection. ScholarGate. https://scholargate.app/sr/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.
- Faktorska analizaIstraživačka statistika↔ compare
- K-means algoritam klasterovanjaMašinsko učenje↔ compare
- Analiza glavnih komponentiMašinsko učenje↔ compare
- Slučajna šumaMašinsko učenje↔ compare
- t-SNEMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →