ScholarGate
Assistent
Machine learning

Lokaal Lineaire Inbedding (LLE)

Lokaal lineaire inbedding, geïntroduceerd door Sam Roweis en Lawrence Saul in 2000, is een methode voor manifold-leren voor niet-lineaire dimensionaliteitsreductie. Het gaat ervan uit dat hoewel data door een hoog-dimensionale ruimte kunnen krommen, elk punt en zijn buren ongeveer op een plat vlak liggen. LLE vangt elk punt op als een gewogen combinatie van zijn buren en vindt vervolgens een laag-dimensionale lay-out die diezelfde lokale relaties behoudt, waardoor gekromde structuren worden uitgerold tot een getrouwe laag-dimensionale kaart.

Openen in MethodMindBinnenkortVideoBinnenkortDownload slides

Lees de volledige methode

Alleen voor leden

Log in met een gratis account om dit onderdeel te lezen.

Inloggen

Method map

The neighbourhood of related methods — select a node to explore.

Bronnen

  1. Roweis, S. T., & Saul, L. K. (2000). Nonlinear dimensionality reduction by locally linear embedding. Science, 290(5500), 2323–2326. DOI: 10.1126/science.290.5500.2323

Deze pagina citeren

ScholarGate. (2026, June 2). Locally Linear Embedding (LLE). ScholarGate. https://scholargate.app/nl/machine-learning/locally-linear-embedding

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.

Compare side by side

Geciteerd door

ScholarGateLocally Linear Embedding (Locally Linear Embedding (LLE)). Geraadpleegd op 2026-06-15 via https://scholargate.app/nl/machine-learning/locally-linear-embedding · Gegevensset: https://doi.org/10.5281/zenodo.20539026