היטל אקראי
היטל אקראי מקטין את המימדיות על ידי הכפלת הנתונים במטריצה אקראית, תוך הסתמכות על הלמה של ג'ונסון-לינדנשטראוס (1984), המבטיחה שהיטל לכיוונים אקראיים מספיקים משמר בקירוב את כל המרחקים הזוגיים. בניגוד ל-PCA, שיטה זו אינה מנתחת כלל את הנתונים — ההיטל אקראי ואינו תלוי בנתונים — מה שהופך אותה לזולה במיוחד ומתאימה לנתונים בעלי מימדיות גבוהה מאוד, וכן להגדרות של נתונים זורמים או רגישים לפרטיות.
קראו את השיטה במלואה
התחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- 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 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 2). Random Projection (Johnson-Lindenstrauss Dimensionality Reduction). ScholarGate. https://scholargate.app/he/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.
- Locally Linear Embedding (LLE)למידת מכונה↔ compare
- השלמת מטריצותלמידת מכונה↔ compare