Isomap
Isomap (Isometric Feature Mapping) to algorytm uczenia rozmaitości (manifold learning) wprowadzony przez Tenenbauma, de Silvę i Langforda w 2000 roku, który odkrywa wewnętrzną niskowymiarową geometrię danych wysokowymiarowych poprzez zachowanie odległości geodezyjnych — zamiast prostoliniowych euklidesowych — między wszystkimi parami punktów. Była to jedna z pierwszych i najbardziej wpływowych nieliniowych metod redukcji wymiarowości, która wykazała, że rzeczywiście zakrzywione rozmaitości danych można rozwinąć w wierny niskowymiarowy układ współrzędnych.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Isometric Feature Mapping (Isomap). ScholarGate. https://scholargate.app/pl/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 PCAUczenie maszynowe↔ compare
- Analiza Głównych SkładowychUczenie maszynowe↔ compare
- t-SNEUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →