NMF (Nenegativna matrična faktorizacija)
Nenegativna matrična faktorizacija (NMF) je obitelj algoritama, koju su predstavili Lee i Seung u svom znamenitom radu iz 1999. u časopisu Nature, a koja razlaže nenegativnu podatkovnu matricu V na umnožak dviju nenegativnih matrica nižeg ranga, W (bazne komponente) i H (koeficijenti kodiranja). Za razliku od PCA ili SVD, uvjet nenegativnosti prisiljava algoritam na učenje strogo aditivnih, dijelovima utemeljenih reprezentacija, čineći faktore izravno interpretativnim kao gradbene blokove izvorne podatkovne matrice.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Izvori
- 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
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Non-negative Matrix Factorization (Lee & Seung, 1999). ScholarGate. https://scholargate.app/hr/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.
- Neovisna komponentna analiza (ICA)Strojno učenje↔ compare
- K-Means klasteriranjeStrojno učenje↔ compare
- Latent Dirichlet Allocation (LDA)Strojno učenje↔ compare
- Singularna dekompozicijaNumeričke metode↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →