Factorisation de Matrices Non-Négatives (NMF)
La factorisation de matrices non-négatives (NMF) est une famille d'algorithmes, introduite par Lee et Seung dans leur article fondateur de 1999 dans Nature, qui décompose une matrice de données non-négative V en le produit de deux matrices non-négatives de rang inférieur W (composantes de base) et H (coefficients d'encodage). Contrairement à l'ACP ou la SVD, la contrainte de non-négativité force l'algorithme à apprendre des représentations strictement additives, basées sur des parties, rendant les facteurs directement interprétables comme des éléments constitutifs des données originales.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Sources
- 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
Comment citer cette page
ScholarGate. (2026, June 3). Non-negative Matrix Factorization (Lee & Seung, 1999). ScholarGate. https://scholargate.app/fr/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.
- Analyse en Composantes Indépendantes (ACI)Apprentissage automatique↔ compare
- Regroupement par K-moyennesApprentissage automatique↔ compare
- Latent Dirichlet Allocation (LDA)Apprentissage automatique↔ compare
- Décomposition en valeurs singulièresMéthodes numériques↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →