Случайное проецирование
Случайное проецирование снижает размерность путем умножения данных на случайную матрицу, опираясь на лемму Джонсона-Линденштрауса (1984), которая гарантирует, что проецирование на достаточное количество случайных направлений приблизительно сохраняет все попарные расстояния. В отличие от метода главных компонент (PCA), оно вообще не анализирует данные — проецирование является случайным и не зависит от данных — что делает его чрезвычайно дешевым и хорошо подходящим для данных с очень высокой размерностью, а также для потоковых или чувствительных к конфиденциальности сценариев.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 2). Random Projection (Johnson-Lindenstrauss Dimensionality Reduction). ScholarGate. https://scholargate.app/ru/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.
- Локально линейное вложение (LLE)Машинное обучение↔ compare
- Завершение матрицыМашинное обучение↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →