知识卡片
流形学习假设数据嵌于低维流形
流形学习是一种非线性降维方法,核心假设是:某些高维数据其实是以低维流形结构嵌入在高维空间中的,受内部特征限制而产生维度冗余,实际上用较低维度就能唯一表示,目标是把数据映射回低维、找回这种流形结构以解释本质。流形就是一般几何对象的总称:直线或曲线是一维流形,球面是三维流形。原文的圆形例子很直观:用平面直角坐标描述圆内点会产生大量落在圆外的冗余点,而改用极坐标,圆上任一点都能被无冗余地表示——圆本就该用二维的极坐标表达。与PCA、LDA最大的不同在于,流形学习是非线性的,降维时不仅考虑距离,还考虑生成数据的拓扑结构。可迁移的启发是:当数据沿弯曲的流形分布而非落在平直子空间时,先想清楚它真正的自由度,别用线性投影硬压。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 透过现象看本质,全靠降维来帮忙 10.5 流形学习算法 · 查看原书依据
降维算法中还有一种比较特殊的算法被称为“流形学习算法”(Manifold Learning,也称流行学习),它是一种非线性降维方法。在流形学习的概念中,假设某些高维数据,实际是以一种低维的流形结构嵌入在高维空间中。
参考来源
- 位置:《产品经理进阶:100个案例搞懂人工智能 (林中翘)》第10章《透过现象看本质,全靠降维来帮忙》(源文件:`../../book-sources/extracted/产品经理进阶:100个案例搞懂人工智能 (林中翘)/_epub-src/OEBPS/text00015.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:原文定义流形学习假设高维数据嵌于低维流形,解释流形概念并用极坐标无冗余表示圆形对比直角坐标冗余,支撑本卡结论。
- 原始内容:降维算法中还有一种比较特殊的算法被称为“流形学习算法”(Manifold Learning,也称流行学习),它是一种非线性降维方法。在流形学习的概念中,假设某些高维数据,实际是以一种低维的流形结构嵌入在高维空间中。