Slumpmässig projektion
Slumpmässig projektion reducerar dimensionaliteten genom att multiplicera data med en slumpmässig matris, med stöd av Johnson-Lindenstrauss lemma (1984), som garanterar att projektion på tillräckligt många slumpmässiga riktningar approximativt bevarar alla parvisa avstånd. Till skillnad från PCA analyserar den inte datan alls – projektionen är slumpmässig och datagenerisk – vilket gör den extremt billig och väl lämpad för mycket högdimensionell data samt för strömmande eller integritetskänsliga scenarier.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). Random Projection (Johnson-Lindenstrauss Dimensionality Reduction). ScholarGate. https://scholargate.app/sv/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 linjär inbäddning (LLE)Maskininlärning↔ compare
- MatrisfullständighetMaskininlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →