Willekeurige projectie
Willekeurige projectie reduceert dimensionaliteit door de data te vermenigvuldigen met een willekeurige matrix, gebaseerd op de Johnson-Lindenstrauss-lemma (1984), die garandeert dat projectie op voldoende willekeurige richtingen alle paarsgewijze afstanden bij benadering behoudt. In tegenstelling tot PCA analyseert het de data helemaal niet — de projectie is willekeurig en data-onbewust — wat het extreem goedkoop maakt en zeer geschikt voor data met een hoge dimensionaliteit en voor streaming- of privacygevoelige toepassingen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 2). Random Projection (Johnson-Lindenstrauss Dimensionality Reduction). ScholarGate. https://scholargate.app/nl/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.
- Lokaal Lineaire Inbedding (LLE)Machine learning↔ compare
- Matrix CompletionMachine learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →