Nezáporná maticová faktorizace (NMF)
Nezáporná maticová faktorizace (NMF) je rodina algoritmů, představená Lee a Seungem v jejich zásadním článku v časopise Nature z roku 1999, která rozkládá nezápornou datovou matici V na součin dvou nezáporných matic nižšího řádu W (bázové komponenty) a H (kódující koeficienty). Na rozdíl od PCA nebo SVD vynucuje omezení nezápornosti, aby algoritmus učil striktně aditivní reprezentace založené na částech, čímž jsou faktory přímo interpretovatelné jako stavební bloky původních dat.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Zdroje
- 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
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Non-negative Matrix Factorization (Lee & Seung, 1999). ScholarGate. https://scholargate.app/cs/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.
- Nezávislá komponentová analýza (ICA)Strojové učení↔ compare
- K-Means shlukováníStrojové učení↔ compare
- Latent Dirichlet Allocation (LDA)Strojové učení↔ compare
- Singular Value DecompositionNumerické metody↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →