降维不仅仅是为了数据可视化。它还可以识别高维空间中的关键结构并将它们保存在低维嵌入中来克服“维度诅咒” 本文将介绍一种流行的降维技术Uniform Manifold Approximation and Projection (UMAP)的内部工作原理，并提供一个 Python 示例。 (UMAP) 如何工作的？ 分析 UMAP ...

在处理大数据集时，降维是最重要的方面之一，因为它有助于将数据转换为低维，以便我们能够识别一些重要的特征及其属性。它通常用于避免在分析大数据集时产生的维度问题。 当我们在进行数值分析或创建机器学习模型时，处理高维数据可能会很困难。

编辑荐读：为破解“脑网络怎样随年龄跃迁”这一难题，研究者整合 9 大数据集 4 216 例 0–90 岁扩散成像，以 UMAP 流形降维首次定位 9、32、66、83 岁四大拓扑转折节点，划分五大生命周期，发现小世界性（small-worldness）与模块化（modularity）交替主导发育方向，为 ...

本研究针对虚拟筛选(VS)中传统数据分割方法(如随机分割、骨架分割和Butina聚类)高估AI模型性能的问题，提出基于UMAP的聚类 ...