Chiếu ngẫu nhiên
Chiếu ngẫu nhiên giảm chiều dữ liệu bằng cách nhân dữ liệu với một ma trận ngẫu nhiên, dựa trên bổ đề Johnson-Lindenstrauss (1984), bổ đề này đảm bảo rằng việc chiếu lên đủ số hướng ngẫu nhiên sẽ bảo toàn xấp xỉ tất cả các khoảng cách cặp. Khác với PCA, phương pháp này hoàn toàn không phân tích dữ liệu — phép chiếu là ngẫu nhiên và không phụ thuộc vào dữ liệu — làm cho nó cực kỳ rẻ và phù hợp với dữ liệu có số chiều rất cao cũng như các thiết lập dữ liệu luồng hoặc nhạy cảm về quyền riêng tư.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
Nguồn tài liệu
- 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 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 2). Random Projection (Johnson-Lindenstrauss Dimensionality Reduction). ScholarGate. https://scholargate.app/vi/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.
Compare side by side →Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →