Μη-αρνητική Παραγοντοποίηση Μήτρας (NMF)
Η Μη-αρνητική Παραγοντοποίηση Μήτρας (NMF) είναι μια οικογένεια αλγορίθμων, που εισήχθη από τους Lee και Seung στην εμβληματική τους δημοσίευση στο Nature του 1999, η οποία αναλύει μια μη-αρνητική μήτρα δεδομένων V στο γινόμενο δύο μη-αρνητικών πινάκων χαμηλότερης τάξης W (συνιστώσες βάσης) και H (συντελεστές κωδικοποίησης). Σε αντίθεση με την PCA ή την SVD, ο περιορισμός μη-αρνητικότητας αναγκάζει τον αλγόριθμο να μάθει αυστηρά προσθετικές, βασισμένες σε μέρη αναπαραστάσεις, καθιστώντας τους παράγοντες άμεσα ερμηνεύσιμους ως δομικά στοιχεία των αρχικών δεδομένων.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Πηγές
- 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
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Non-negative Matrix Factorization (Lee & Seung, 1999). ScholarGate. https://scholargate.app/el/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.
- Ανάλυση Ανεξάρτητων Συνιστωσών (ICA)Μηχανική Μάθηση↔ compare
- Συσταδοποίηση K-MeansΜηχανική Μάθηση↔ compare
- Εκχώρηση Δεσμευμένων Dirichlet (LDA)Μηχανική Μάθηση↔ compare
- Ανάλυση Ιδιαζουσών ΤιμώνΑριθμητικές Μέθοδοι↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →