Isomap
Isometric Feature Mapping (Isomap) · Ayrıca şöyle bilinir: Isomap, isometric feature mapping, geodesic Isomap, nonlinear MDS
Isomap (Isometric Feature Mapping), Tenenbaum, de Silva ve Langford tarafından 2000 yılında tanıtılan bir manifold öğrenme algoritmasıdır. Bu algoritma, yüksek boyutlu verilerin içsel (intrinsic) düşük boyutlu geometrisini, noktaların tüm çiftleri arasındaki düz çizgi Öklid mesafeleri yerine jeodezik mesafeleri koruyarak keşfeder. Gerçekten eğimli veri manifoldlarının sadık bir düşük boyutlu koordinat sistemine açılabileceğini gösteren en erken ve en etkili doğrusal olmayan boyut indirgeme yöntemlerinden biri olmuştur.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Isomap, yüksek boyutlu verilerin pürüzsüz, düşük boyutlu bir manifold üzerinde veya yakınında bulunduğuna inanıldığında ve amaç, içsel geometrik yapıyı sadakatle koruyan yorumlanabilir küresel bir gömme olduğunda uygundur. Özellikle tek, deliksiz veya yüksek derecede dışbükey olmayan topolojiye sahip bağlı bir manifold oluşturan veriler için uygundur. Algoritma denetimsizdir ve veri dağılımı hakkında parametrik varsayımlarda bulunmaz, ancak manifoldun Öklid uzayının dışbükey bir alt kümesine izometrik olduğunu varsayar; yani alttaki yüzeyin bir torus veya küre değil, düz bir levha ile iyi bir şekilde yaklaştırılması gerektiği anlamına gelir. Güvenilir bir komşuluk grafı oluşturmak için tipik olarak en az 50 örneklem boyutuna ihtiyaç duyulur ve çok yüksek boyutlu veriler, Isomap uygulanmadan önce hafifçe önceden azaltılmalıdır (örneğin, PCA ile). Isomap, birden fazla ayrık küme içeren verilerde, manifoldda delikler veya döngüler olduğunda veya büyük veri kümelerindeki hesaplama maliyeti (mesafe matrisi için O(n^2) bellek) engelleyici olduğunda daha az uygundur.
Güçlü yönler & sınırlılıklar
- Jeodezik mesafeleri Öklid mesafeleri yerine dikkate alarak, eğimli manifoldları doğru bir şekilde açarak küresel olarak tutarlı bir düşük boyutlu gömme sağlar.
- Klasik MDS teorisine dayanır, ilkeli ve matematiksel olarak şeffaf bir türetme sunar.
- Kullanılan boyut sayısı d, artık varyans grafı kullanılarak nesnel olarak seçilebilir.
- Veri dağılımı hakkında herhangi bir parametrik varsayım gerekmez.
- Makine öğrenmesinde en çok atıfta bulunulan ve tarihsel olarak en önemli manifold öğrenme algoritmalarından biridir, kapsamlı literatür desteğine sahiptir.
- Tam jeodezik mesafe matrisini depolamak için O(n^2) bellek gerektirir, bu da onu yer imi tabanlı yaklaşımlar olmadan çok büyük veri kümeleri için pratik olmaktan çıkarır.
- Komşuluk parametresi k'ye (veya epsilon'a) duyarlıdır: çok küçük olması kopuk bir graf oluşturur; çok büyük olması yanlış uzun kenarlar ekleyerek manifoldun kısa devre yapmasına neden olur.
- Delikleri, döngüleri veya dışbükey olmayan topolojisi olan manifoldlarda başarısız olur, çünkü bu durumlarda en kısa yollar gerçek jeodezikleri tam olarak temsil etmeyebilir.
- Gömme parametrik değildir; yeni örneklem dışı noktalar tam algoritma yeniden çalıştırılmadan yansıtılamaz (ancak Nyström uzantısı kısmi bir çözüm sunar).
- Performansı, komşuluk grafını bozan yüksek gürültü veya aykırı değerlerin varlığında düşer.
SSS
Komşuluk parametresi k'yi nasıl seçerim?
Yaygın bir sezgisel yöntem, birkaç değer denemek (örneğin, 5, 10, 15, 20) ve komşuluk grafının tamamen bağlı kaldığı en küçük k'yi seçmektir. Artık varyansı k'ye karşı çizmek de kararlı bir bölgeyi ortaya çıkarabilir. Çok küçük değerler kopuk bir graf oluşturur; çok büyük değerler jeodezik tahminleri bozan kısa devre kenarları ekler.
Çıktı boyutlarının sayısı d'yi nasıl seçerim?
Artık varyansı - jeodezik mesafeler ile gömmedeki Öklid mesafeleri arasındaki korelasyonu - d'nin bir fonksiyonu olarak hesaplayın. Artık varyans eğrisinin düzleştiği değer ('dirsek'), içsel boyutu gösterir. Görselleştirme için, d = 2 veya 3 tipik olarak buna bakılmaksızın seçilir.
Isomap, örneklem dışı noktalara işlem yapabilir mi?
Temel algoritma, yeni noktalar geldiğinde tam jeodezik hesaplamanın yeniden çalıştırılmasını gerektirir. Nyström uzantısı, bazı doğruluk maliyetiyle, mevcut gömmeye yeni noktalar yansıtarak yeniden ayarlama yapmadan bir yaklaşım sağlar.
Isomap, t-SNE ve UMAP'ten nasıl farklıdır?
Isomap, tüm manifold boyunca jeodezik mesafeleri koruyan küresel olarak sadık bir gömme üretmek üzere tasarlanmıştır, bu da onu küresel yapının önemli olduğu görevler için uygun kılar. t-SNE ve UMAP, yerel komşuluk korumasına öncelik verir ve iyi kümelenen ancak küresel mesafeleri bozan görselleştirmeler üretir; genellikle keşifsel küme görselleştirmesi için tercih edilirler. Isomap ayrıca tamamen deterministiktir (k ve d verildiğinde), oysa t-SNE stokastik bir bileşene sahiptir.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Isometric Feature Mapping (Isomap). ScholarGate. https://scholargate.app/tr/machine-learning/isomap
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Çekirdek PCAMakine öğrenmesi↔ karşılaştır
- Temel Bileşen AnaliziMakine öğrenmesi↔ karşılaştır
- t-SNEMakine öğrenmesi↔ karşılaştır