ในแง่เทคนิคที่ไม่ใช่นานาเป็นโครงสร้างทางเรขาคณิตอย่างต่อเนื่องที่มีมิติที่ จำกัด : เส้น, เส้นโค้ง, เครื่องบิน, พื้นผิว, ทรงกลม, ลูก, ทรงกระบอก, ทรงกระบอก, พรู, "หยด" ... บางสิ่งเช่นนี้ :
มันเป็นคำทั่วไปที่ใช้โดยนักคณิตศาสตร์จะพูดว่า "โค้ง" (มิติ 1) หรือ "ผิว" (2 มิติ) หรือวัตถุ 3D (3 มิติ) ... สำหรับการใด ๆ ที่เป็นไปได้แน่นอนมิติnท่อร่วมมิติหนึ่งมิติเป็นเพียงเส้นโค้ง (เส้นวงกลม ... ) ท่อสองมิตินั้นเป็นเพียงพื้นผิว (ระนาบทรงกลมพรูทรงกระบอก ... ) แมนิโฟลด์สามมิติคือ "วัตถุเต็มรูปแบบ" (บอลเต็มลูกบาศก์พื้นที่ 3D รอบตัวเรา ... )n
manifold มักจะอธิบายโดยสมการ: ชุดของจุดเช่นเป็น manifold มิติเดียว (วงกลม)x 2 + y 2 = 1(x,y)x2+y2=1
นานามีมิติเดียวกันทุกที่ ตัวอย่างเช่นหากคุณต่อท้ายบรรทัด (ส่วนข้อมูล 1) ไปยังทรงกลม (ส่วนข้อมูล 2) ดังนั้นโครงสร้างทางเรขาคณิตที่ได้จะไม่ได้เกิดขึ้นมากมาย
ซึ่งแตกต่างจากความคิดที่กว้างขึ้นของพื้นที่ตัวชี้วัดหรือพื้นที่ทอพอโลยียังตั้งใจที่จะอธิบายถึงสัญชาตญาณตามธรรมชาติของเราอย่างต่อเนื่องเป็นชุดของจุดนานามีวัตถุประสงค์เพื่อเป็นสิ่งที่ง่ายในท้องถิ่น: เช่นพื้นที่มิติเวกเตอร์ จำกัด : n กฎนี้ออกจากช่องว่างนามธรรม (เช่นช่องว่างมิติที่ไม่มีที่สิ้นสุด) ที่มักจะล้มเหลวในการมีความหมายที่เป็นรูปธรรมทางเรขาคณิตRn
ซึ่งแตกต่างจากพื้นที่เวกเตอร์ manifolds สามารถมีรูปร่างต่าง ๆ manifolds บางคนสามารถมองเห็นได้อย่างง่ายดาย (ทรงกลมลูก ... ) บางคนเป็นเรื่องยากที่จะเห็นภาพเช่นขวด Kleinหรือprojective เครื่องบินจริง
ในสถิติการเรียนรู้ของเครื่องหรือคณิตศาสตร์ประยุกต์โดยทั่วไปคำว่า "manifold" มักจะถูกใช้เพื่อพูดว่า "เหมือน subspace เชิงเส้น" แต่อาจโค้ง ทุกครั้งที่คุณเขียนสมการเชิงเส้นเช่น:คุณจะได้สเปซย่อยเชิงเส้น (เลียนแบบ) (นี่คือระนาบ) โดยปกติเมื่อสมการไม่เชิงเส้นเช่นนี่คือนานา (นี่คือทรงกลมที่ยืดออก)x 2 + 2 y 2 + 3 z 2 = 73x+2y−4z=1x2+2y2+3z2=7
ตัวอย่างเช่น " สมมติฐานของแมนิโฟลด์ " ของ ML พูดว่า "ข้อมูลมิติสูงเป็นจุดในมิติต่ำมากที่มีการเพิ่มเสียงรบกวนมิติสูง" คุณสามารถจินตนาการถึงจุดต่าง ๆ ของวงกลม 1D พร้อมกับเพิ่มสัญญาณรบกวน 2 มิติ ในขณะที่จุดจะไม่ตรงกับวงกลมที่พวกเขาตอบสนองทางสถิติสมการ 1 วงกลมเป็นรากฐานที่หลากหลาย:
x2+y2=1