Nicht-negative Matrixfaktorisierung (NMF)
Nicht-negative Matrixfaktorisierung (NMF) ist eine Familie von Algorithmen, die von Lee und Seung in ihrer wegweisenden Arbeit in Nature von 1999 eingeführt wurde und eine nicht-negative Datenmatrix V in das Produkt zweier nicht-negativer Matrizen W (Basiskomponenten) und H (Kodierungskoeffizienten) mit niedrigerem Rang zerlegt. Im Gegensatz zu PCA oder SVD erzwingt die Nicht-Negativitätsbedingung, dass der Algorithmus streng additive, auf Teilen basierende Darstellungen lernt, wodurch die Faktoren direkt als Bausteine der Originaldaten interpretierbar werden.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Quellen
- 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Non-negative Matrix Factorization (Lee & Seung, 1999). ScholarGate. https://scholargate.app/de/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.
- Unabhängigkeitsanalyse von Komponenten (ICA)Maschinelles Lernen↔ compare
- K-Means-ClusteringMaschinelles Lernen↔ compare
- Latent Dirichlet Allocation (LDA)Maschinelles Lernen↔ compare
- SingulärwertzerlegungNumerische Methoden↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →