Isomap
Isomap (Isometric Feature Mapping) is een algoritme voor manifold learning dat in 2000 werd geïntroduceerd door Tenenbaum, de Silva en Langford. Het algoritme ontdekt de intrinsieke laagdimensionale geometrie van hoogdimensionale data door geodetische — in plaats van rechtlijnige Euclidische — afstanden tussen alle puntenparen te behouden. Het was een van de vroegste en meest invloedrijke niet-lineaire dimensionaliteitsreductiemethoden die aantoonde dat werkelijk gekromde datamanifolds konden worden ontvouwen tot een getrouw laagdimensionaal coördinatensysteem.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Isometric Feature Mapping (Isomap). ScholarGate. https://scholargate.app/nl/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 PCAMachine learning↔ compare
- HoofdcomponentenanalyseMachine learning↔ compare
- t-SNEMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →