Ошибка «umap» обычно возникает, когда вы используете неправильный модуль umap вместо umap-learn перед импортом umap.
|
1 2 3 |
import umap umap.umap() |
Выход
|
1 |
AttributeError: module 'umap' has no attribute 'umap' |
Вы можете видеть, что код вызвал ошибку AttributeError, поскольку у модуля «umap» нет атрибута «umap».
Как исправить AttributeError: модуль «umap» не имеет атрибута «umap»
Чтобы исправить ошибку AttributeError: модуль «umap» не имеет атрибута «umap», «установите пакет «umap-learn» с помощью этой команды: pip install umap-learn.
Вы также можете использовать менеджер пакетов conda для установки пакета umap-learn с помощью этой команды: conda install -c conda-forge umap-learn.
Приближение и проекция равномерного многообразия(UMAP) — это метод уменьшения размеров, который можно использовать для визуализации аналогично t-SNE, но также и для общего уменьшения нелинейных размеров.
Теперь вы можете использовать функцию редуктор = UMAP().
Программа Python, использующая библиотеку «umap»
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 |
import numpy as np from sklearn.datasets import make_blobs from sklearn.decomposition import PCA from umap import UMAP import matplotlib.pyplot as plt # generate some sample data data, labels = make_blobs(n_samples=1000, n_features=10, centers=5) # reduce the dimensionality of the data using UMAP reducer = UMAP() reduced_data = reducer.fit_transform(data) # reduce the dimensionality of the data using PCA for comparison pca = PCA(n_components=2) pca_data = pca.fit_transform(data) # plot the data points in 2D plt.scatter(reduced_data[:, 0], reduced_data[:, 1], c=labels, cmap='rainbow') plt.title("UMAP reduction") plt.show() # plot the data points in 2D plt.scatter(pca_data[:, 0], pca_data[:, 1], c=labels, cmap='rainbow') plt.title("PCA reduction") plt.show() |
Выход
Я надеюсь, что это решит ваши проблемы, связанные с модулем umap, и вы научитесь правильно использовать umap в Python.
