Rastgele İzdüşüm
Random Projection (Johnson-Lindenstrauss Dimensionality Reduction) · Ayrıca şöyle bilinir: random projections, Johnson-Lindenstrauss projection, sparse random projection, rastgele izdüşüm
Rastgele izdüşüm, veriyi rastgele bir matrisle çarparak boyutu azaltır ve bu işlem, yeterli sayıda rastgele yöne izdüşüm yapıldığında tüm ikili mesafelerin yaklaşık olarak korunduğunu garanti eden Johnson-Lindenstrauss lemmasına (1984) dayanır. PCA'nın aksine, veriyi hiç analiz etmez — izdüşüm rastgeledir ve veriden bağımsızdır — bu da onu son derece ucuz ve çok yüksek boyutlu veriler ile akışkan veya gizliliğe duyarlı ortamlar için çok uygun hale getirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Rastgele izdüşümü, boyutluluk o kadar yüksek olduğunda ki PCA gibi veriye bağımlı yöntemler çok yavaş veya bellek açısından ağır kaldığında, veriler akış halinde geldiğinde (rastgele matris önceden sabitlenir) veya veriden bağımsız, gizliliğe duyarlı bir azaltma istendiğinde kullanın — metin/kelime torbası, görüntü özellikleri, genomik ve kümeleme, en yakın komşu araması veya öğrenme öncesinde hızlı bir ön işleme adımı olarak. Son derece ucuzdur ve mesafe koruma garantisiyle birlikte gelir. Dezavantajları: mesafeleri yalnızca yaklaşık olarak korur (tolerans ε), PCA'nın yaptığı gibi anlamlı yönleri bulmaz veya sıralamaz (bu nedenle daha az yorumlanabilir ve aynı doğruluk için daha fazla hedef boyuta ihtiyaç duyabilir) ve sonuçlar rastgele tohumla hafifçe değişir. En bilgilendirici eksenlere veya belirli bir doğruluk için maksimum sıkıştırmaya ihtiyacınız olduğunda PCA tercih edilir; rastgele izdüşüm hız ve ölçekte kazanır.
Güçlü yönler & sınırlılıklar
- Son derece hızlı ve bellek açısından hafif — tek bir rastgele matris çarpımı, eğitim yok.
- Teorik olarak temellendirilmiş: JL lemmasi yaklaşık mesafe korumasını garanti eder.
- Veriden bağımsızdır, bu nedenle akışkan ve gizliliğe duyarlı ortamlarda çalışır.
- Hedef boyut, orijinal boyuta değil, nokta sayısına göre ölçeklenir.
- Mesafeleri yalnızca yaklaşık olarak korur (tolerans ε dahilinde).
- PCA gibi anlamlı/önemli yönleri tanımlamaz — daha az yorumlanabilir.
- Aynı doğruluk için PCA'dan daha fazla hedef boyuta ihtiyaç duyabilir.
- Sonuç rastgele tohuma bağlıdır (hafifçe deterministik değildir).
SSS
Rastgele izdüşüm PCA'dan nasıl farklıdır?
PCA, öz-ayrıştırma yoluyla maksimum varyansın veriye bağımlı yönlerini bulur; rastgele izdüşüm, rastgele, veriden bağımsız yönleri ve bir mesafe koruma garantisini kullanır. PCA, boyut başına daha bilgilendirici ve kompakttır ancak daha yavaş ve bellek açısından ağırdır; rastgele izdüşüm çok daha ucuzdur ve yorumlanabilirlik ve kesinlik pahasına daha iyi ölçeklenir.
Kaç boyuta ihtiyacım var?
JL lemmasına göre, yaklaşık olarak O(ln n / ε²), burada n nokta sayısı ve ε izin verilen bozulmadır. Özellikle, orijinal boyuta değil, nokta sayısına ve toleransa bağlıdır — bu nedenle çok yüksek boyutlu veriler bile mütevazı bir ε için birkaç yüz boyuta sıkışır.
Neden seyrek rastgele matrisler kullanılıyor?
Achlioptas, basit seyrek ±1 (veya çoğunlukla sıfır) matrislerin JL garantisini hala karşıladığını, depolama ve çarpma maliyetlerinin ise çok daha düşük olduğunu göstermiştir. Bu 'veritabanı dostu' yapı, rastgele izdüşümü büyük, yüksek boyutlu veri kümelerinde hızlı ve pratik hale getirir.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Random Projection (Johnson-Lindenstrauss Dimensionality Reduction). ScholarGate. https://scholargate.app/tr/machine-learning/random-projection
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Yerel Doğrusal Gömme (LLE)Makine öğrenmesi↔ karşılaştır
- Matris TamamlamaMakine öğrenmesi↔ karşılaştır