Proyeksi Acak
Proyeksi acak mengurangi dimensi dengan mengalikan data dengan matriks acak, mengandalkan lemma Johnson-Lindenstrauss (1984), yang menjamin bahwa memproyeksikan ke arah acak yang cukup akan mempertahankan perkiraan semua jarak berpasangan. Berbeda dengan PCA, metode ini sama sekali tidak menganalisis data — proyeksi bersifat acak dan tidak bergantung pada data — membuatnya sangat murah dan cocok untuk data berdimensi sangat tinggi serta pengaturan streaming atau yang sensitif terhadap privasi.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 2). Random Projection (Johnson-Lindenstrauss Dimensionality Reduction). ScholarGate. https://scholargate.app/id/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.
- Embedding Linear Lokal (LLE)Pembelajaran Mesin↔ compare
- Penyelesaian MatriksPembelajaran Mesin↔ compare
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →