คุณเคยได้ยินUniform Manifold Approximation and Projection (UMAP)บ้างไหม?
UMAP (Uniform Manifold Approximation and Projection) เป็นเทคนิคการเรียนรู้ที่หลากหลายสำหรับการลดมิติที่ไม่ใช่เชิงเส้น UMAP สร้างขึ้นจากกรอบทฤษฎีที่ใช้ในเรขาคณิต Riemannian และทอพอโลยีเชิงพีชคณิต ผลที่ได้คืออัลกอริทึมที่ปรับขนาดได้จริงที่ใช้กับข้อมูลโลกแห่งความจริง อัลกอริทึม UMAP สามารถแข่งขันกับ t-SNE สำหรับคุณภาพการสร้างภาพและเนื้อหาที่รักษาโครงสร้างระดับโลกมากขึ้นด้วยประสิทธิภาพการทำงานที่เหนือกว่า ยิ่งไปกว่านั้น UMAP ตามที่อธิบายไว้ไม่มีข้อ จำกัด ในการคำนวณเกี่ยวกับมิติการฝังทำให้สามารถใช้งานได้เป็นเทคนิคการลดขนาดทั่วไปสำหรับการเรียนรู้ของเครื่อง
ตรวจสอบรหัสและเอกสารต้นฉบับของพวกเขาสำหรับรายการข้อดีและข้อเสียมันใช้งานง่ายสุด ๆ
ข้อเท็จจริงอย่างรวดเร็ว: UMAP สามารถจัดการชุดข้อมูลขนาดใหญ่และเร็วกว่า t-SNE และยังสนับสนุนการปรับให้เหมาะกับข้อมูลเมทริกซ์แบบเบาบางและตรงกันข้ามกับ t-SNE ซึ่งเป็นเทคนิคการลดขนาดโดยทั่วไปซึ่งหมายความว่าไม่เพียง สำหรับการลดพื้นที่ฟีเจอร์สำหรับป้อนลงในโมเดลการเรียนรู้ของเครื่องอื่น
ตัวอย่างที่เป็นรูปธรรม:ฉันได้เปรียบเทียบวิธีการและเปรียบเทียบกับสมุดบันทึกมาตรฐานเทคนิคการลดขนาดอื่น ๆหากสนใจที่จะดูอย่างรวดเร็วและเริ่มกระโดด