Неотрицателна матрична факторизация (NMF)
Неотрицателната матрична факторизация (NMF) е семейство алгоритми, въведено от Lee и Seung в тяхната основополагаща статия в Nature от 1999 г., които разлагат неотрицателна матрица от данни V на произведение на две неотрицателни матрици с по-нисък ранг W (базисни компоненти) и H (коефициенти на кодиране). За разлика от PCA или SVD, ограничението за неотрицателност принуждава алгоритъма да научи строго адитивни, базирани на части представяния, което прави факторите директно интерпретируеми като градивни елементи на оригиналните данни.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Източници
- Lee, D. D., & Seung, H. S. (1999). Learning the parts of objects by non-negative matrix factorization. Nature, 401(6755), 788–791. DOI: 10.1038/44565 ↗
- Lee, D. D., & Seung, H. S. (2001). Algorithms for non-negative matrix factorization. Advances in Neural Information Processing Systems, 13, 556–562. link ↗
- Cichocki, A., Zdunek, R., Phan, A. H., & Amari, S. (2009). Nonnegative Matrix and Tensor Factorizations: Applications to Exploratory Multi-way Data Analysis and Blind Source Separation. Wiley. ISBN: 978-0-470-74666-0
Как да цитирате тази страница
ScholarGate. (2026, June 3). Non-negative Matrix Factorization (Lee & Seung, 1999). ScholarGate. https://scholargate.app/bg/machine-learning/non-negative-matrix-factorization
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.
- Независим компонентен анализ (ICA)Машинно обучение↔ compare
- Клъстериране с К-средниМашинно обучение↔ compare
- Латентна разпределение на Дирихле (LDA)Машинно обучение↔ compare
- Разлагане чрез сингулярни стойностиЧислени методи↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →