تجزیه ماتریس نامنفی (NMF)
تجزیه ماتریس نامنفی (NMF) خانوادهای از الگوریتمها است که توسط لی و سونگ در مقاله برجسته خود در سال ۱۹۹۹ در مجله نیچر معرفی شد. این الگوریتمها یک ماتریس داده نامنفی V را به حاصلضرب دو ماتریس نامنفی با رتبه پایینتر W (مولفههای پایه) و H (ضرایب کدگذاری) تجزیه میکنند. برخلاف PCA یا SVD، قید نامنفی بودن، الگوریتم را مجبور میکند تا نمایشهای مبتنی بر اجزا را که صرفاً جمعی هستند، بیاموزد و عوامل را مستقیماً به عنوان بلوکهای سازنده داده اصلی قابل تفسیر کند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
منابع
- 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
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Non-negative Matrix Factorization (Lee & Seung, 1999). ScholarGate. https://scholargate.app/fa/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.
- تحلیل مؤلفههای مستقل (ICA)یادگیری ماشین↔ compare
- خوشهبندی K-Meansیادگیری ماشین↔ compare
- Latent Dirichlet Allocation (LDA)یادگیری ماشین↔ compare
- تجزیه مقادیر منفردروشهای عددی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →