ScholarGate
Asistents
Machine learningDimensionality reduction

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.

Atvērt MethodMindDrīzumāVideoDrīzumāDownload slides

Lasīt pilno metodes aprakstu

Tikai dalībniekiem

Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.

Pieteikties

Method map

The neighbourhood of related methods — select a node to explore.

Avoti

  1. 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
  2. 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.

Compare side by side
ScholarGateRandom Projection (Random Projection (Johnson-Lindenstrauss Dimensionality Reduction)). Izgūts 2026-06-15 no https://scholargate.app/lv/machine-learning/random-projection · Datu kopa: https://doi.org/10.5281/zenodo.20539026