Gadījuma projekcija
Gadījuma projekcija samazina dimensionalitāti, reizinot datus ar gadījuma matricu, balstoties uz Džonsona-Lindenštrausa lemmu (1984), kas garantē, ka projicēšana pietiekami daudzos gadījuma virzienos aptuveni saglabā visus pāru attālumus. Atšķirībā no PCA, tā vispār neanalizē datus — projekcija ir gadījuma un datu neapzināta —, padarot to ārkārtīgi lētu un labi piemērotu ļoti augstas dimensionalitātes datiem un straumēšanas vai privātuma jutīgiem iestatījumiem.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). Random Projection (Johnson-Lindenstrauss Dimensionality Reduction). ScholarGate. https://scholargate.app/lv/machine-learning/random-projection
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Lokāli lineārā iegulšana (LLE)Mašīnmācīšanās↔ salīdzināt
- Matricas pabeigšanaMašīnmācīšanās↔ salīdzināt
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →