ML之MaL： 流形学习MaL的概念认知、算法分类、案例应用、代码实现之详细攻略
目录
MaL的概念认知
MaL的算法分类
MaL的案例应用
MaL的代码实现
MaL的概念认知
流形学习，全称流形学习方法(Manifold Learning)，自2000年在著名的科学杂志《Science》被首次提出以来，已成为信息科学领域的研究热点。在理论和应用上，流形学习方法都具有重要的研究意义。假设数据是均匀采样于一个高维欧氏空间中的低维流形，流形学习就是从高维采样数据中恢复低维流形结构，即找到高维空间中的低维流形，并求出相应的嵌入映射，以实现维数约简或者数据可视化。它是从观测到的现象中去寻找事物的本质，找到产生数据的内在规律。
流形学习方法是模式识别中的基本方法，分为线性流形学习算法和非线性流形学习算法，非线性流形学习算法包括等距映射（Isomap） [1] ，拉普拉斯特征映射（Laplacian eigenmaps，LE） [2] ，局部线性嵌入(Locally-linear embedding，LLE) [3] 等。而线性方法则是对非线性方法的线性扩展，如主成分分析（Principal component analysis，PCA），多维尺度变换（Multidimensional scaling，MDS）等。
MaL的案例应用
MaL的代码实现
