Proyección aleatoria
La proyección aleatoria reduce la dimensionalidad multiplicando los datos por una matriz aleatoria, basándose en el lema de Johnson-Lindenstrauss (1984), que garantiza que la proyección sobre suficientes direcciones aleatorias preserva aproximadamente todas las distancias entre pares. A diferencia del PCA, no analiza los datos en absoluto —la proyección es aleatoria y ajena a los datos—, lo que la hace extremadamente barata y muy adecuada para datos de muy alta dimensionalidad y entornos de transmisión de datos o sensibles a la privacidad.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 2). Random Projection (Johnson-Lindenstrauss Dimensionality Reduction). ScholarGate. https://scholargate.app/es/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.
- Incrustación Lineal Local (LLE)Aprendizaje automático↔ compare
- Completado de matricesAprendizaje automático↔ compare
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →