Isomap在scikit-learn中类名为Isomap，需从sklearn.manifold导入；必须先标准化再拟合；n_neighbors宜取5至max(10, 0.02×样本数)；n_components不能超过原始维度。
Isomap在scikit-learn里叫Isomap，不是isomap或ISOmap
大小写敏感，拼错直接报ModuleNotFoundError: No module named 'sklearn.manifold.Isomap'——因为实际路径是sklearn.manifold，且类名首字母大写。别被某些老博客的错误示例带偏。
正确导入方式：
from sklearn.manifold import Isomap
常见误操作：
- 写成
from sklearn.manifold import isomap（小写，报错） - 写成
from sklearn.manifold import IsomapTransformer（不存在这个类） - 漏掉
manifold子模块，直连sklearn.Isomap（找不到）
必须先标准化再用Isomap，否则距离计算会失效
Isomap本质依赖样本间欧氏距离，而原始特征若量纲差异大（比如身高用米、收入用万元），距离会被某几个维度主导，流形结构就塌了。
实操建议：
- 用
StandardScaler或MinMaxScaler预处理，别跳过这步 - 标准化必须在
fit前完成，不能对训练集标准化后，再拿原数据喂给Isomap - 如果数据含大量稀疏特征（如one-hot编码），考虑先用
TruncatedSVD粗降维，再进Isomap，否则k近邻搜索极慢
典型错误现象：降维后散点图呈明显条带状或发散无结构，大概率是量纲没对齐。
n_neighbors设太小或太大都会破坏流形估计
Isomap靠构建k近邻图来逼近测地距离，n_neighbors决定图的局部性程度——它不是越大越好，也不是越小越准。
选择原则：
- 一般从
5到max(10, int(0.02 * n_samples))试起；样本少于500时，别超过15 -
n_neighbors过小 → 图不连通，部分点孤立，测地距离算不出来（Isomap会静默丢弃这些点，不报错但结果缺失） -
n_neighbors过大 → 局部线性假设失效，图趋近全连接，退化为PCA（尤其当真实流形曲率高时） - 可配合
metric='precomputed'传入自定义距离矩阵，但需自行保证连通性
n_components不能大于原始维度，且低于3维难验证效果
Isomap输出维度受限于输入维度：若原始数据是100维，n_components=105会直接报ValueError: n_components must be 。
更关键的是验证问题：
- 设
n_components=1或2虽快，但无法判断是否保留了流形拓扑（比如“瑞士卷”展开后是否仍分层） - 建议至少先试
n_components=3，用matplotlib做3D散点图观察结构连续性 - 若下游任务是分类/聚类，别盲目追求低维；有时
n_components=8比2在下游模型上F1高15%，因为保留了关键弯曲信息
真正容易被忽略的是：流形学习本身不保证全局最优，每次运行结果可能因k近邻随机排序有微小浮动——需要固定random_state（虽然Isomap本身没这个参数，但NearestNeighbors底层用的KDTree/BallTree受数据顺序影响，建议先shuffle=True再固定索引）
