Projeksi Rawak
Projeksi rawak mengurangkan dimensi dengan mendarab data dengan matriks rawak, bersandarkan lema Johnson-Lindenstrauss (1984), yang menjamin bahawa pemprojekan ke arah yang cukup rawak akan memelihara kira-kira semua jarak berpasangan. Berbeza dengan PCA, ia langsung tidak menganalisis data — pemprojekan adalah rawak dan tidak bergantung pada data — menjadikannya sangat murah dan sesuai untuk data berdimensi sangat tinggi serta tetapan penstriman atau sensitif privasi.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian 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 memetik halaman ini
ScholarGate. (2026, June 2). Random Projection (Johnson-Lindenstrauss Dimensionality Reduction). ScholarGate. https://scholargate.app/ms/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.
- Locally Linear Embedding (LLE)Pembelajaran Mesin↔ compare
- Penyelesaian MatriksPembelajaran Mesin↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →