维度规约技术在大数据分析中扮演着重要的角色。传统的维度规约技术,比如主成分分析(Principle Component Analysis,PCA),线性判别分析(Linear Discriminant Analysis,LDA)已经在过去的几十年中被广泛研究。然而,随着数据维度的增加,这些传统维度规约方法的计算负载也急剧增长,令人望而却步。这推动了随机投影(Random Projection,RP)技术的发展。随机投影可以在短时间内将高维空间的数据映射到低维空间。然而,随机投影在生成变换矩阵时并没有考虑数据本身的固有结构,因此常常会导致相对较高的误差。在过去的几年中,很多基于随机投影的方法被提出以解决这个问题。我们总结了基于随机投影的方法在不同领域中的应用,旨在帮助研究者们在各自特定的研究领域中选择适合自己的方法。并且,我们归纳了这些改进随机投影的策略,指出了他们优缺点,希望为研究者们在未来改进随机投影的工作提供参考。实验结果表明,传统的特征抽取方法(如线性判别分析和Bag of Words等)和其他特定领域的特征抽取方法都可以显著改进随机投影的性能。随着基因芯片数据容量的飞速增长,数据处理时的计算负载已经远远超过了实时处理的计算能力。为了改进随机投影在基因表达谱数据上的性能,我们尝试将主成分分析,线性判别分析和特征选择(Feature Selection,FS)引入至随机投影中。我们在3个基因表达谱数据集上比较了所提出算法的分类精度和运行时间。在基因芯片数据的帮助下,医学工作者可以为病例提供更精确的诊疗方案。过去的研究表明,基因表达相似的病例属于相同的亚型,因此可以采用相似的诊疗方案。因此,我们开发了一个轻量级的Web应用,通过一系列的机器学习算法帮助医学工作者发现相似的病例。在这个Web应用中,我们将基于随机投影的相关算法应用至基因表达谱数据上以降低聚类算法的计算负载。