Projection aléatoire
La projection aléatoire réduit la dimensionnalité en multipliant les données par une matrice aléatoire, en s'appuyant sur le lemme de Johnson-Lindenstrauss (1984), qui garantit que la projection sur suffisamment de directions aléatoires préserve approximativement toutes les distances par paires. Contrairement à l'ACP, elle n'analyse pas du tout les données — la projection est aléatoire et indépendante des données — ce qui la rend extrêmement peu coûteuse et bien adaptée aux données de très haute dimensionnalité et aux contextes de flux ou sensibles à la confidentialité.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 2). Random Projection (Johnson-Lindenstrauss Dimensionality Reduction). ScholarGate. https://scholargate.app/fr/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.
- Plongement Linéaire Local (LLE)Apprentissage automatique↔ compare
- Achèvement de matriceApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →