文件名称：UMAP_Nonlinear-Dimensionality-Reduction_Benchmark:均匀流形逼近和投影（UMAP）入门
文件大小：2.95MB
文件格式：ZIP
更新时间：2024-06-04 17:32:34
JupyterNotebook
UMAP_Nonlinear-Dimensionality-Reduction_Benchmark Leland McInnes（Git）开发的均匀流形近似和投影（UMAP）入门， ： ，论文： ： 目的：我旨在比较新开发的用于非线性降维的UMAP。 为此，我使用各种数据集来比较UMAP和t-SNE。 对于前两个示例（瑞士滚动数据，分割球体），出于比较目的，给出了其他常用的降维方法。 让我们开始吧。 内容： 瑞士卷数据 分割球 手写数字 半月数据 同心圆 首先，让我们快速看一下UMAP论文的摘要： UMAP（统一流形逼近和投影）是一种新颖的用于降维的流形学习技术。 UMAP由基于黎曼几何和代数拓扑的理论框架构建而成。 结果是适用于现实世界数据的实用的可伸缩算法。 UMAP算法在可视化质量上与t-SNE竞争，并且可以说以优异的运行时性能保留了更多的全局结构。 此外，如上所述
【文件预览】：
UMAP_Nonlinear-Dimensionality-Reduction_Benchmark-master
----UMAP_Benchmark.ipynb(4.03MB)
----LICENSE(1KB)
----README.md(2KB)
----.gitignore(1KB)