Slučajno projiciranje
Može se činiti neoprezno komprimirati podatke množenjem s nasumičnim brojevima, ali lema Johnson-Lindenstrauss kaže da to funkcionira: ako projicirate točke na dovoljno nasumičnih smjerova, udaljenosti među njima jedva se mijenjaju. Intuicija je da nasumična niskodimenzionalna 'sjena' visokodimenzionalnog oblaka sa visokom vjerojatnošću očuvava svoju geometriju, jer nasumični smjerovi ravnomjerno šire strukturu. Tako preskačete skupu eigen-analizu PCA, izvučete jednu nasumičnu matricu, a jedno matrično množenje daje znatno manju reprezentaciju u kojoj su odnosi najbližih susjeda i klastera uglavnom netaknuti.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). Random Projection (Johnson-Lindenstrauss Dimensionality Reduction). ScholarGate. https://scholargate.app/hr/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.
- Lokalno linearno ugrađivanje (LLE)Strojno učenje↔ compare
- Dopunjavanje matricaStrojno učenje↔ compare
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →