Machine learning
UMAP
UMAP (Uniform Manifold Approximation และ Projection) เป็นวิธีการลดมิติแบบไม่เชิงเส้นที่รวดเร็วและปรับขนาดได้ ซึ่งมีพื้นฐานมาจากทฤษฎีการเรียนรู้แบบแมนิฟอล์ด (manifold-learning theory) เปิดตัวโดย McInnes, Healy และ Melville ในปี 2018 มันทำการบีบอัดข้อมูลที่มีมิติสูงลงในการฝังตัว (embedding) ที่มีมิติต่ำ เพื่อการแสดงภาพและการวิเคราะห์ขั้นต่อไป
อ่านวิธีฉบับเต็ม
สำหรับสมาชิกเท่านั้น
เข้าสู่ระบบเข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- McInnes, L., Healy, J. & Melville, J. (2018). UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction. arXiv:1802.03426. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 1). Uniform Manifold Approximation and Projection. ScholarGate. https://scholargate.app/th/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 Analysisสถิติการวิจัย↔ compare
- การจัดกลุ่มแบบ K-meansการเรียนรู้ของเครื่อง↔ compare
- การวิเคราะห์องค์ประกอบหลักการเรียนรู้ของเครื่อง↔ compare
- Random Forestการเรียนรู้ของเครื่อง↔ compare
- t-SNEการเรียนรู้ของเครื่อง↔ compare