Factorización de Matrices No Negativas (NMF)
La Factorización de Matrices No Negativas (NMF) es una familia de algoritmos, introducida por Lee y Seung en su influyente artículo de 1999 en Nature, que descompone una matriz de datos no negativa V en el producto de dos matrices no negativas de rango inferior W (componentes base) y H (coeficientes de codificación). A diferencia de PCA o SVD, la restricción de no negatividad obliga al algoritmo a aprender representaciones estrictamente aditivas y basadas en partes, lo que hace que los factores sean directamente interpretables como bloques de construcción de los datos originales.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Fuentes
- 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
Cómo citar esta página
ScholarGate. (2026, June 3). Non-negative Matrix Factorization (Lee & Seung, 1999). ScholarGate. https://scholargate.app/es/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.
- Análisis de Componentes Independientes (ICA)Aprendizaje automático↔ compare
- Agrupamiento K-MeansAprendizaje automático↔ compare
- Asignación Latente de Dirichlet (LDA)Aprendizaje automático↔ compare
- Descomposición en Valores SingularesMétodos numéricos↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →