Випадкова проєкція
Випадкова проєкція зменшує розмірність шляхом множення даних на випадкову матрицю, спираючись на лему Джонсона-Лінденштрауса (1984), яка гарантує, що проєкція на достатню кількість випадкових напрямків приблизно зберігає всі попарні відстані. На відміну від методу головних компонент (PCA), вона взагалі не аналізує дані — проєкція є випадковою та не залежить від даних — що робить її надзвичайно дешевою та добре придатною для дуже високорозмірних даних, а також для потокових або чутливих до конфіденційності налаштувань.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 2). Random Projection (Johnson-Lindenstrauss Dimensionality Reduction). ScholarGate. https://scholargate.app/uk/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.
- Локальне лінійне вкладення (LLE)Машинне навчання↔ compare
- Завершення матрицьМашинне навчання↔ compare
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →