Isomap
Isomap (Isometric Feature Mapping) er en manifold-læringsalgoritme introduceret af Tenenbaum, de Silva og Langford i 2000, som afdækker den intrinsiske lavdimensionelle geometri af højdimensionelle data ved at bevare geodætiske – snarere end lige linje Euklidiske – afstande mellem alle punkter. Det var en af de tidligste og mest indflydelsesrige metoder til ikke-lineær dimensionsreduktion, der demonstrerede, at ægte krumme datamanifolder kunne foldes ud i et troværdigt lavdimensionelt koordinatsystem.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Isometric Feature Mapping (Isomap). ScholarGate. https://scholargate.app/da/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.
- Kernel PCAMaskinlæring↔ compare
- Principal Component AnalysisMaskinlæring↔ compare
- t-SNEMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →