Nemnegatív Mátrix Faktorizáció (NMF)
A nemnegatív mátrix faktorizáció (NMF) algoritmuscsalád, amelyet Lee és Seung vezetett be úttörő 1999-es Nature cikkében, egy nemnegatív V adatmátrixot két alacsonyabb rangú, nemnegatív W (báziskomponensek) és H (kódoló együtthatók) mátrix szorzatára bont le. A PCA-val vagy SVD-vel ellentétben a nemnegativitási megszorítás arra kényszeríti az algoritmust, hogy szigorúan additív, részeken alapuló reprezentációkat tanuljon, így a faktorok közvetlenül értelmezhetők az eredeti adatok építőköveiként.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Módszertérkép
A rokon módszerek környezete — válasszon ki egy csomópontot a felfedezéshez.
+1 további
Források
- 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
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Non-negative Matrix Factorization (Lee & Seung, 1999). ScholarGate. https://scholargate.app/hu/machine-learning/non-negative-matrix-factorization
Melyik módszer?
Állítsa e módszert a hozzá legközelebb álló rokonai mellé, és olvassa őket egymás mellett — a könyvtár az asztalra teszi a könyveket; a választás az Öné.
- Az elágazásmentes komponenselemzés (ICA)Gépi tanulás↔ összehasonlítás
- K-Means klaszterezésGépi tanulás↔ összehasonlítás
- Latens Dirichlet-eloszlás (LDA)Gépi tanulás↔ összehasonlítás
- Szingularis érték felbontásNumerikus módszerek↔ összehasonlítás
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →