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.
Method map
The neighbourhood of related methods — select a node to explore.
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
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.
- Lokāli lineārā iegulšana (LLE)Mašīnmācīšanās↔ compare
- Matricas pabeigšanaMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →