Isomap
Isomap (Isometric Feature Mapping) ialah algoritma pembelajaran manifold yang diperkenalkan oleh Tenenbaum, de Silva, dan Langford pada tahun 2000 yang menemui geometri intrinsik berdimensi rendah bagi data berdimensi tinggi dengan mengekalkan jarak geodesik — berbanding jarak Euclidean garis lurus — antara semua pasangan titik. Ia merupakan salah satu kaedah pengurangan dimensi bukan linear yang terawal dan paling berpengaruh yang menunjukkan bahawa manifold data yang melengkung secara tulen boleh dibuka kepada sistem koordinat berdimensi rendah yang setia.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Isometric Feature Mapping (Isomap). ScholarGate. https://scholargate.app/ms/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.
- PCA KernelPembelajaran Mesin↔ compare
- Analisis Komponen UtamaPembelajaran Mesin↔ compare
- t-SNEPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →