Ei-negatiivinen matriisihajotelma (NMF)
Ei-negatiivinen matriisihajotelma (NMF) on algoritmiperhe, jonka Lee ja Seung esittelivät uraauurtavassa vuoden 1999 Nature-artikkelissaan. Se hajottaa ei-negatiivisen datamatriisin V kahden alemman rangin ei-negatiivisen matriisin W (peruskomponentit) ja H (koodauskertoimet) tuloksi. Toisin kuin PCA tai SVD, ei-negatiivisuusrajoite pakottaa algoritmin oppimaan puhtaasti additiivisia, osiin perustuvia esityksiä, mikä tekee tekijöistä suoraan tulkittavia alkuperäisen datan rakennuspalikoina.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Lähteet
- 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
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Non-negative Matrix Factorization (Lee & Seung, 1999). ScholarGate. https://scholargate.app/fi/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.
- Riippumattomien komponenttien analyysi (ICA)Koneoppiminen↔ compare
- K-Means-klusterointiKoneoppiminen↔ compare
- Latent Dirichlet Allocation (LDA)Koneoppiminen↔ compare
- Singular Value DecompositionNumeeriset menetelmät↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →