Náhodné projekce
Náhodná projekce redukuje dimenzionalitu násobením dat náhodnou maticí, přičemž se opírá o lemma Johnsona a Lindenstrausse (1984), které zaručuje, že projekce do dostatečného počtu náhodných směrů přibližně zachovává všechny párové vzdálenosti. Na rozdíl od metody PCA (analýza hlavních komponent) tato metoda data vůbec neanalyzuje – projekce je náhodná a nezávislá na datech – což ji činí extrémně levnou a vhodnou pro data s velmi vysokou dimenzionalitou a pro scénáře streamování nebo citlivá na soukromí.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 2). Random Projection (Johnson-Lindenstrauss Dimensionality Reduction). ScholarGate. https://scholargate.app/cs/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.
- Lokálně lineární vnoření (LLE)Strojové učení↔ compare
- Dokončování maticStrojové učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →