Случайна проекция
Случайната проекция намалява размерността чрез умножаване на данните с произволна матрица, като разчита на лемата на Джонсън-Линденщаус (1984), която гарантира, че проектирането върху достатъчно на брой случайни посоки приблизително запазва всички попарни разстояния. За разлика от PCA, тя изобщо не анализира данните — проекцията е случайна и не зависи от данните — което я прави изключително евтина и добре приложима за данни с много висока размерност, както и за поточни или чувствителни към поверителност настройки.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Johnson, W. B., & Lindenstrauss, J. (1984). Extensions of Lipschitz mappings into a Hilbert space. Contemporary Mathematics, 26, 189–206. DOI: 10.1090/conm/026/737400 ↗
- Achlioptas, D. (2003). Database-friendly random projections: Johnson-Lindenstrauss with binary coins. Journal of Computer and System Sciences, 66(4), 671–687. DOI: 10.1016/S0022-0000(03)00025-4 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 2). Random Projection (Johnson-Lindenstrauss Dimensionality Reduction). ScholarGate. https://scholargate.app/bg/machine-learning/random-projection
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Локално линейно влагане (LLE)Машинно обучение↔ compare
- Завършване на матрициМашинно обучение↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →