# 流形学习

## 流形学习

* [返回顶层目录](/machine-learning-notes/summary.md)
* [返回上层目录](/machine-learning-notes/dimensionality-reduction.md)
* [流形学习概述](https://luweikxy.gitbook.io/machine-learning-notes/dimensionality-reduction/pages/-LpO5vGvgYmZwS4IR2EW#流形学习概述)

## 流形学习概述

流形学习（manifold learning）是机器学习、模式识别中的一种方法，在维数约简方面具有广泛的应用。它的主要思想是将高维的数据映射到低维，使该低维的数据能够反映原高维数据的某些本质结构特征。流形学习的前提是有一种假设，即某些高维数据，实际是一种低维的流形结构嵌入在高维空间中。流形学习的目的是将其映射回低维空间中，揭示其本质。

以下图为例，左边是一个三维数据的分布，右边是降低到二维后的结果。我们可以发现二维的数据更能直观地表示其流形结构。

![manifold-learning-3D-to-2D](/files/-LpO60HReQyL28R6eKS9)

通过流形学习来实现降维的方法有很多，其基本思想也类似：假设数据在高维具有某种结构特征，希望降到低维后，仍能保持该结构。

比较常见的有

* 局部改线嵌入（Local Linear Embedding, LLE）

  假设数据中每个点可以由其近邻的几个点重构出来。降到低维，使样本仍能保持原来的重构关系，且重构系数也一样。
* 拉普拉斯特征映射（Laplacian Eigenmaps, LE）

  将数据映射到低维，且保持点之间的（相似度）距离关系。即在原空间中相距较远的点，投影到低维空间中，希望它们之间仍相距较远。反之亦然。
* 局部保持投影（LPP）
* 等距映射（Isomap）

等等。。。

浙江大学何晓飞老师有个关于流形学习的报告，有兴趣可以看下。 [http://www.cad.zju.edu.cn/reports/%C1%F7%D0%CE%D1%A7%CF%B0.pdf](https://link.zhihu.com/?target=http%3A//www.cad.zju.edu.cn/reports/%25C1%25F7%25D0%25CE%25D1%25A7%25CF%25B0.pdf)

## 参考文献

* [求简要介绍一下流形学习的基本思想？](https://www.zhihu.com/question/24015486)

“流形学习概述”一节参考这篇知乎问题。


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://luweikxy.gitbook.io/machine-learning-notes/dimensionality-reduction/manifold-learning.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.