ऋणात्मक मैट्रिक्स गुणनखंडन (NMF)
ऋणात्मक मैट्रिक्स गुणनखंडन (NMF) एल्गोरिदम का एक परिवार है, जिसे ली और सियुंग ने अपने ऐतिहासिक 1999 के नेचर पेपर में प्रस्तुत किया था, जो एक ऋणात्मक डेटा मैट्रिक्स V को दो निम्न-रैंक वाले ऋणात्मक मैट्रिक्स W (आधार घटक) और H (एन्कोडिंग गुणांक) के गुणनफल में विघटित करता है। PCA या SVD के विपरीत, ऋणात्मकता की बाधा एल्गोरिदम को पूरी तरह से योगात्मक, भागों-आधारित प्रतिनिधित्व सीखने के लिए मजबूर करती है, जिससे कारकों को मूल डेटा के निर्माण खंडों के रूप में सीधे व्याख्या किया जा सकता है।
पूरी विधि पढ़ें
यह खंड पढ़ने के लिए निःशुल्क खाते से साइन इन करें।
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
स्रोत
- 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
इस पृष्ठ का उद्धरण कैसे दें
ScholarGate. (2026, June 3). Non-negative Matrix Factorization (Lee & Seung, 1999). ScholarGate. https://scholargate.app/hi/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.
- स्वतंत्र घटक विश्लेषण (ICA)मशीन अधिगम↔ compare
- के-मीन्स क्लस्टरिंगमशीन अधिगम↔ compare
- Latent Dirichlet Allocation (LDA)मशीन अधिगम↔ compare
- एकवचन मान अपघटनसंख्यात्मक विधियाँ↔ compare