تصویرسازی تصادفی
تصویرسازی تصادفی با ضرب دادهها در یک ماتریس تصادفی، ابعاد را کاهش میدهد. این روش بر لم جانسون-لیندنستراوس (1984) تکیه دارد که تضمین میکند تصویرسازی بر روی تعداد کافی از جهتهای تصادفی، تقریباً تمام فواصل زوجی را حفظ میکند. برخلاف تحلیل مؤلفههای اصلی (PCA)، این روش اصلاً دادهها را تحلیل نمیکند — تصویرسازی تصادفی و بیتوجه به دادهها است — که آن را بسیار ارزان و مناسب برای دادههای با ابعاد بسیار بالا و تنظیمات جریانی یا حساس به حریم خصوصی میسازد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). Random Projection (Johnson-Lindenstrauss Dimensionality Reduction). ScholarGate. https://scholargate.app/fa/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.
- فشردهسازی محلی خطی (LLE)یادگیری ماشین↔ compare
- تکمیل ماتریسیادگیری ماشین↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →