Isomap
Isomap (Isometric Feature Mapping) je algoritmus pro učení na varietách (manifold learning), který v roce 2000 představili Tenenbaum, de Silva a Langford. Objevuje vnitřní nízkorozměrnou geometrii vysokorozměrných dat zachováním geodetických — nikoli přímých eukleidovských — vzdáleností mezi všemi páry bodů. Byl to jeden z prvních a nejvlivnějších nelineárních metod redukce dimenzionality, který demonstroval, že skutečně zakřivené datové variety lze rozvinout do věrného nízkorozměrného souřadnicového systému.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Tenenbaum, J. B., de Silva, V. & Langford, J. C. (2000). A global geometric framework for nonlinear dimensionality reduction. Science, 290(5500), 2319–2323. DOI: 10.1126/science.290.5500.2319 ↗
- Hastie, T., Tibshirani, R. & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed., Ch. 14). Springer. ISBN: 978-0-387-84857-0
- van der Maaten, L., Postma, E. & van den Herik, J. (2009). Dimensionality reduction: A comparative review. Journal of Machine Learning Research, 10, 66–71. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Isometric Feature Mapping (Isomap). ScholarGate. https://scholargate.app/cs/machine-learning/isomap
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Jádrová PCAStrojové učení↔ compare
- Analýza hlavních komponentStrojové učení↔ compare
- t-SNEStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →