Juhuslik projektsioon
Juhuslik projektsioon vähendab andmete mõõtmelisust, korrutades andmed juhusliku maatriksiga, tuginedes Johnsoni-Lindenstraussi lemmale (1984), mis garanteerib, et projektsioon piisavale arvule juhuslikele suundadele säilitab ligikaudselt kõik paarissisesed kaugused. Erinevalt PCA-st see andmeid üldse ei analüüsi – projektsioon on juhuslik ja andmetest sõltumatu –, muutes selle äärmiselt odavaks ja sobivaks väga suure mõõtmega andmete ning voogedastuse või privaatsustundlike seadete jaoks.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 2). Random Projection (Johnson-Lindenstrauss Dimensionality Reduction). ScholarGate. https://scholargate.app/et/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.
Compare side by side →Märkasid sellel lehel viga? Teata sellest või paku parandust →