随机映射投影

这里我们首先探讨了PCA，然后是随机投影映射

PCA通过矩阵运算实现数据，

1、根据数据计算协方差矩阵  X*S

2、据数据的协方差矩阵提供的贡献率选择其包含成分  X*S`

3、根据矩阵运算转换原始数据

PCA降维是可行有效的，但对于超大型数据计算其协方差矩阵耗时较长，无法做到高效性

而随机投影则没有协方差计算的过程

1、首先，在高维空间里随机选几个单位向量（无需保证单位向量之间正交）依据(Johnson-Lindenstrauss Lemma, JL-lemma) 理论（这里理论保证了认为降维方法的精度上的下限）

其中Johnson-Lindenstrauss Lemma理论，可以概括为，通过不等式数据中前后任意两点之间的距离保持在一定界限内。

2、采用随机选择的投影矩阵，填充作为协方差矩阵

3、归一化每个新的轴

4、对数据进行降维

具体实现方式

from sklearn import random_projection

X = np.random.rand(100, 10000)

transformer = random_projection.SparseRandomProjection(n_components=500)

# 其中n_components与PCA类似，控制其成分含量，也可以设置为auto（默认），让其在投影完成后实现JL-lemma理论

X_new = transformer.fit_transform(X)