Isomap
Isomap (Isometric Feature Mapping) je algoritmus učenia sa z variet (manifold learning) predstavený Tenenbaumom, de Silvom a Langfordom v roku 2000, ktorý odhaľuje vnútornú nízkorozmernú geometriu vysokorozmerných dát zachovaním geodetických – namiesto priamych Euklidovských – vzdialeností medzi všetkými pármi bodov. Bol to jeden z najskorších a najvplyvnejších nelineárnych metód redukcie dimenzionality, ktorý demonštroval, že skutočne zakrivené dátové variety možno rozvinúť do verného nízkorozmerného súradnicového systému.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Isometric Feature Mapping (Isomap). ScholarGate. https://scholargate.app/sk/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 PCAStrojové učenie↔ compare
- Analýza hlavných komponentovStrojové učenie↔ compare
- t-SNEStrojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →