Isomap
Isomap (Isometric Feature Mapping) on vuonna 2000 Tenenbaumin, de Silvan ja Langfordin esittelemä monistioppimisalgoritmi, joka paljastaa korkeaulotteisen datan sisäisen matalaulotteisen geometrian säilyttämällä geodeettiset – pikemmin kuin suoraviivaiset euklidiset – etäisyydet kaikkien pisteparien välillä. Se oli yksi varhaisimmista ja vaikutusvaltaisimmista epälineaarisista dimensionpudotusmenetelmistä, joka osoitti, että aidosti kaarevia datamonistoja voitiin avata uskollisiksi matalaulotteisiksi koordinaattijärjestelmiksi.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Isometric Feature Mapping (Isomap). ScholarGate. https://scholargate.app/fi/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 PCAKoneoppiminen↔ compare
- PääkomponenttianalyysiKoneoppiminen↔ compare
- t-SNEKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →