Rzutowanie losowe
Rzutowanie losowe redukuje wymiarowość poprzez mnożenie danych przez macierz losową, opierając się na lemacie Johnsona-Lindenstraussa (1984), który gwarantuje, że rzutowanie na wystarczającą liczbę losowych kierunków przybliżeniem zachowuje wszystkie odległości między parami punktów. W przeciwieństwie do PCA, nie analizuje ono wcale danych — rzutowanie jest losowe i niezależne od danych — co czyni je niezwykle tanim i dobrze dopasowanym do danych o bardzo wysokiej wymiarowości oraz do zastosowań strumieniowych lub wrażliwych na prywatność.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). Random Projection (Johnson-Lindenstrauss Dimensionality Reduction). ScholarGate. https://scholargate.app/pl/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.
- Lokalnie Liniowe Osadzanie (LLE)Uczenie maszynowe↔ compare
- Uzupełnianie macierzyUczenie maszynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →