Pernahkah Anda mendengar tentang Seragam Aproksimasi dan Proyeksi (UMAP) ?
UMAP (Uniform Manifold Approximation and Projection) adalah teknik pembelajaran berjenis novel untuk pengurangan dimensi non-linear. UMAP dibangun dari kerangka teori yang didasarkan pada geometri Riemannian dan topologi aljabar. Hasilnya adalah algoritma scalable praktis yang berlaku untuk data dunia nyata. Algoritma UMAP kompetitif dengan t-SNE untuk kualitas visualisasi, dan bisa dibilang lebih mempertahankan struktur global dengan kinerja run time yang unggul. Selain itu, UMAP seperti yang dijelaskan tidak memiliki batasan komputasi pada dimensi penyematan, menjadikannya layak sebagai teknik reduksi dimensi tujuan umum untuk pembelajaran mesin.
Periksa kode dan kertas asli mereka untuk daftar pro dan kontra, sangat mudah digunakan.
Fakta Singkat : UMAP dapat menangani kumpulan data besar dan lebih cepat daripada t-SNE dan juga mendukung pemasangan data matriks yang jarang, dan bertentangan dengan t-SNE, teknik pengurangan dimensi tujuan umum, yang berarti bahwa tidak hanya dapat digunakan untuk visualisasi tetapi juga untuk mengurangi ruang fitur untuk dimasukkan ke model pembelajaran mesin lainnya.
Contoh Beton: Saya telah membandingkan metode ini dan membandingkannya dengan beberapa notebook benchmark teknik pengurangan dimensi lain , jika tertarik untuk memiliki tampilan yang cepat dan lompatan awal.