Proiezione Casuale
La proiezione casuale riduce la dimensionalità moltiplicando i dati per una matrice casuale, basandosi sul lemma di Johnson-Lindenstrauss (1984), che garantisce che la proiezione su un numero sufficiente di direzioni casuali preserva approssimativamente tutte le distanze a coppie. A differenza della PCA, non analizza affatto i dati — la proiezione è casuale e indipendente dai dati — rendendola estremamente economica e ben adatta a dati ad altissima dimensionalità e a contesti di streaming o sensibili alla privacy.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 2). Random Projection (Johnson-Lindenstrauss Dimensionality Reduction). ScholarGate. https://scholargate.app/it/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 localmente lineare (LLE)Apprendimento automatico↔ compare
- Completamento di matriciApprendimento automatico↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →