Tilfeldig projeksjon
Tilfeldig projeksjon reduserer dimensjonalitet ved å multiplisere dataene med en tilfeldig matrise, basert på Johnson-Lindenstrauss-lemmaet (1984), som garanterer at projeksjon på nok tilfeldige retninger omtrent bevarer alle parvise avstander. I motsetning til PCA analyserer den ikke dataene i det hele tatt — projeksjonen er tilfeldig og datauavhengig — noe som gjør den ekstremt billig og godt egnet for svært høydimensjonale data og strømmende eller personvernsensitive innstillinger.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 2). Random Projection (Johnson-Lindenstrauss Dimensionality Reduction). ScholarGate. https://scholargate.app/no/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.
- Lokalt lineær innleiring (LLE)Maskinlæring↔ compare
- MatrisekompletteringMaskinlæring↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →