การฉายภาพแบบสุ่ม (Random Projection)
การฉายภาพแบบสุ่มช่วยลดมิติโดยการคูณข้อมูลด้วยเมทริกซ์สุ่ม โดยอาศัยบทตั้ง Johnson-Lindenstrauss lemma (1984) ซึ่งรับประกันว่าการฉายภาพไปยังทิศทางสุ่มที่เพียงพอจะรักษาระยะห่างระหว่างคู่ข้อมูลทั้งหมดไว้ได้โดยประมาณ ซึ่งแตกต่างจาก PCA ที่ไม่ได้วิเคราะห์ข้อมูลเลย — การฉายภาพเป็นแบบสุ่มและไม่ขึ้นกับข้อมูล (data-oblivious) — ทำให้มีต้นทุนต่ำมากและเหมาะสมอย่างยิ่งสำหรับข้อมูลที่มีมิติสูงมาก รวมถึงข้อมูลแบบสตรีม (streaming) หรือข้อมูลที่ต้องการความเป็นส่วนตัว
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 2). Random Projection (Johnson-Lindenstrauss Dimensionality Reduction). ScholarGate. https://scholargate.app/th/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.
- Locally Linear Embedding (LLE)การเรียนรู้ของเครื่อง↔ compare
- การเติมเต็มเมทริกซ์การเรียนรู้ของเครื่อง↔ compare