Τυχαία Προβολή
Η τυχαία προβολή μειώνει τη διαστατικότητα πολλαπλασιάζοντας τα δεδομένα με έναν τυχαίο πίνακα, βασιζόμενη στο λήμμα Johnson-Lindenstrauss (1984), το οποίο εγγυάται ότι η προβολή σε επαρκείς τυχαίες κατευθύνσεις διατηρεί περίπου όλες τις ζεύξεις αποστάσεων. Σε αντίθεση με την PCA, δεν αναλύει καθόλου τα δεδομένα — η προβολή είναι τυχαία και αδιάφορη ως προς τα δεδομένα — καθιστώντας την εξαιρετικά φθηνή και κατάλληλη για δεδομένα πολύ υψηλής διαστατικότητας και για ροές δεδομένων ή ρυθμίσεις ευαίσθητες στην ιδιωτικότητα.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 2). Random Projection (Johnson-Lindenstrauss Dimensionality Reduction). ScholarGate. https://scholargate.app/el/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.
- Τοπικά Γραμμική Ενσωμάτωση (LLE)Μηχανική Μάθηση↔ compare
- Συμπλήρωση ΠινάκωνΜηχανική Μάθηση↔ compare
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →