Isomap
Isomap (Isometric Feature Mapping) är en algoritm för manifoldinlärning som introducerades av Tenenbaum, de Silva och Langford år 2000. Den upptäcker den inneboende lågdimensionella geometrin hos högdimensionell data genom att bevara geodetiska — snarare än raka euklidiska — avstånd mellan alla punkter. Det var en av de tidigaste och mest inflytelserika metoderna för icke-linjär dimensionsreducering som visade att verkligt krökta datamanifolder kunde vecklas ut till ett troget lågdimensionellt koordinatsystem.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Isometric Feature Mapping (Isomap). ScholarGate. https://scholargate.app/sv/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.
- Kärn-PCAMaskininlärning↔ compare
- Analys av huvudkomponenterMaskininlärning↔ compare
- t-SNEMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →