Machine learningDimensionality reduction

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.

Otwórz w MethodMindWkrótceWideoWkrótceDownload slides

Przeczytaj pełny opis metody

Tylko dla członków

Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.

Zaloguj się

Method map

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

Źródła

  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

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.

Compare side by side
ScholarGateRandom Projection (Random Projection (Johnson-Lindenstrauss Dimensionality Reduction)). Pobrano 2026-06-15 z https://scholargate.app/pl/machine-learning/random-projection · Zbiór danych: https://doi.org/10.5281/zenodo.20539026