Isomap
Isomap (Isometric Feature Mapping) er en manifoldlæringsalgoritme introdusert av Tenenbaum, de Silva og Langford i 2000, som avdekker den iboende lavdimensjonale geometrien til høydimensjonale data ved å bevare geodetiske – snarere enn rettlinjede euklidske – avstander mellom alle punkter. Det var en av de tidligste og mest innflytelsesrike metodene for ikke-lineær dimensjonsreduksjon som demonstrerte at genuint krumme datamanifold kunne foldes ut til et trofast lavdimensjonalt koordinatsystem.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Isometric Feature Mapping (Isomap). ScholarGate. https://scholargate.app/no/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.
- Kjerne-PCAMaskinlæring↔ compare
- HovedkomponentanalyseMaskinlæring↔ compare
- t-SNEMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →