Skip to main content

> ML_ALGORITHM // UNIFORM-MANIFOLD-APPROXIMATION-PROJECTION_v1.0

Tek Tip Manifold Yaklaşımı ve İzdüşümü (UMAP)

Parametrik izdüşüm ile hem yerel hem de küresel veri yapısını koruyan topolojik veri analizine dayalı hızlı manifold öğrenme tekniği.

Non-linear Manifold Learningclassical-unsupervisedmoderate-posthocmedium (1k-100k)
Tüm Algoritmalara Dön
Hesaplama Karmaşıklığı
Eğitim (Training):O(n * log n) via nearest neighbor descent
Çıkarım (Inference):O(log n) out-of-sample projection supported
Donanım Karakteristiği
CPU Uygunluğu:Evet
GPU Zorunluluğu:Hayır
Bellek Ayak İzi:moderate
Açıklanabilirlik ve Veri
Açıklanabilirlik Düzeyi:moderate-posthoc
Eğitim Verisi İhtiyacı:medium (1k-100k)

Açıklanabilirlik Değerlendirmesi

Sıkı yerel kümeleri korurken t-SNE'ye göre belirgin şekilde daha fazla küresel topolojik yapıyı muhafaza eder.

Uygun Görevler ve Desteklenen Modaliteler

Uygun Görevler:
dimensionality reductiondata visualizationfeature extraction
Desteklenen Modaliteler:
tabularembeddingsimage

Uygulayıcı Kütüphaneler

umap-learn
scikit-learnscikit-learn Consortium / Inria · v1.5.2
İncele

Temel Literatür & Yayınlar

UMAP: Uniform Manifold Approximation and Projection for Dimension ReductionLeland McInnes, John Healy (2018) · arXiv preprint
Sık Karşılaşılan Hatalar ve Dikkat Edilmesi Gerekenler
  • Metrik uyumluluğunu doğrulamadan gömülü kümeler arasında Öklid geometrisi varsaymak