EN.553.738高维近似，概率和统计学习最终项目 关查理，胡志明，张杰约翰·霍普金斯大学 在这个项目中，我们探索三种不同的非线性降维/流形学习算法：Isomap，局部线性嵌入（LLE）和扩散图/ Laplacian特征图。 我们在数据集上对这些算法进行基准测试，例如经典的瑞士卷，虹膜，MNIST和神经元尖峰数据。 我们还将它们与主成分分析（PCA）进行比较，后者是一种线性降维算法。 最后，我们有一个使用扩散图的演示来分析氢二聚体的玩具分子动力学模拟的自由能态。 要运行任何基准测试/演示，请