Satunnainen projektio
Satunnainen projektio vähentää ulottuvuutta kertomalla data satunnaismatriisilla, perustuen Johnson-Lindenstraussin lemmaan (1984), joka takaa, että projisoimalla riittävän moneen satunnaiseen suuntaan kaikki parittaiset etäisyydet säilyvät likimäärin. Toisin kuin PCA, se ei analysoi dataa lainkaan — projektio on satunnainen ja datasta riippumaton — mikä tekee siitä erittäin edullisen ja sopivan erittäin korkeaulotteiselle datalle sekä suoratoisto- tai yksityisyyden kannalta herkkiin tilanteisiin.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 2). Random Projection (Johnson-Lindenstrauss Dimensionality Reduction). ScholarGate. https://scholargate.app/fi/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.
- Paikallisesti lineaarinen upotus (LLE)Koneoppiminen↔ compare
- MatriisitäydennysKoneoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →