Isomap
Isomap (Isometric Feature Mapping) est un algorithme d'apprentissage de variétés introduit par Tenenbaum, de Silva et Langford en 2000, qui découvre la géométrie intrinsèque de faible dimension des données de haute dimension en préservant les distances géodésiques — plutôt que les distances euclidiennes en ligne droite — entre toutes les paires de points. Ce fut l'une des premières et des plus influentes méthodes de réduction de dimensionnalité non linéaire à démontrer que des variétés de données véritablement courbes pouvaient être dépliées en un système de coordonnées fidèle de faible dimension.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Isometric Feature Mapping (Isomap). ScholarGate. https://scholargate.app/fr/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.
- ACP à noyauApprentissage automatique↔ compare
- Analyse en composantes principalesApprentissage automatique↔ compare
- t-SNEApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →