Eine Abschätzung der minimalen Zahl an Freiheitsgraden oder unabhängigen Parametern, die erforderlich sind, um Daten oder ein Lösungsmanifold lokal darzustellen; sie spiegelt oft die lokale topologische oder geometrische Dimension und nicht den Raum der Einbettung wider.

Prinzip

Die lokale Struktur lässt sich durch eine niedrigerdimensionale Parametrisierung approximieren: die intrinsische Dimension zählt die unabhängigen Richtungen lokaler Variabilität, die ausreichen, um lokale Nachbarschaften bis zu einem akzeptablen Fehler zu rekonstruieren.

Demonstration

Punkte, die von einer glatten zweidimensionalen Fläche in R^3 stammen, haben intrinsische Dimension 2: lokal parametrisiert eine Tangentialebene mit zwei Koordinaten die Nachbarschaft, obwohl der Einbettungsraum dreidimensional ist.

Fehlanwendung

Verwechslung von intrinsischer und ambulanter (Einbettungs-)Dimension oder die Anwendung globaler linearer Methoden (PCA) auf stark gekrümmte oder mehrskalige Mannigfaltigkeiten; oder das Berichten einer einzigen globalen Zahl, obwohl die lokale Dimension variiert.

Konsequenz

Die Kenntnis der intrinsischen Dimension leitet Modellwahl, Abtastrate, Auswahl reduzierter Koordinaten und Regularisierung; korrekt geschätzt kann sie Modellkomplexität verringern und Generalisierung verbessern.

Umkehrung

Die Umkehrung ist die ex- oder ambiante Dimension: alle Koordinaten des Einbettungsraums zu zählen statt der lokalen Freiheitsgrade, was die notwendige Komplexität überschätzt.

Abgrenzung

Intrinsische Dimension ist lokal sinnvoll und für Strukturen, die sich auf der betrachteten Skala wie Mannigfaltigkeiten verhalten; sie ist nicht eindeutig für fraktale oder stark verrauschte Daten ohne Skalentrennung, und verschiedene Definitionen (topologisch, Hausdorff, Korrelationsdimension) können abweichen.

Semantische Spannung

Spannung zwischen Mannigfaltigkeitsdimension, fraktalen (Hausdorff‑)Dimensionen und algorithmischen 'effektiven' Dimensionen (z. B. Anzahl signifikanter PCA‑Eigenwerte); jede erfasst einen anderen Aspekt von 'Dimension'.

Synthese

Die intrinsische Dimension ist die lokal minimale Anzahl unabhängiger Koordinaten, die zur Beschreibung der Variabilität auf einem Daten‑ oder Lösungsmanifold nötig sind; sie ist definitions‑ und skalenabhängig und leitet sinnvolle Reduktionsentscheidungen.