Zufällige Projektion
Die zufällige Projektion reduziert die Dimensionalität, indem die Daten mit einer Zufallsmatrix multipliziert werden. Sie stützt sich auf das Johnson-Lindenstrauss-Lemma (1984), das garantiert, dass die Projektion auf genügend zufällige Richtungen alle paarweisen Abstände annähernd erhält. Im Gegensatz zur PCA werden die Daten überhaupt nicht analysiert – die Projektion ist zufällig und datenunabhängig –, was sie extrem kostengünstig und gut geeignet für sehr hochdimensionale Daten sowie für Streaming- oder datenschutzsensible Szenarien macht.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 2). Random Projection (Johnson-Lindenstrauss Dimensionality Reduction). ScholarGate. https://scholargate.app/de/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.
- Lokal Lineare Einbettung (LLE)Maschinelles Lernen↔ compare
- Matrix-VervollständigungMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →