Fattorizzazione di Matrici Non-Negative (NMF)
La Fattorizzazione di Matrici Non-Negative (NMF) è una famiglia di algoritmi, introdotta da Lee e Seung nel loro fondamentale articolo del 1999 su Nature, che decompone una matrice di dati non-negativa V nel prodotto di due matrici non-negative di rango inferiore W (componenti di base) e H (coefficienti di codifica). A differenza di PCA o SVD, il vincolo di non-negatività impone all'algoritmo di apprendere rappresentazioni strettamente additive, basate su parti, rendendo i fattori direttamente interpretabili come blocchi costitutivi dei dati originali.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Fonti
- 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
Come citare questa pagina
ScholarGate. (2026, June 3). Non-negative Matrix Factorization (Lee & Seung, 1999). ScholarGate. https://scholargate.app/it/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.
- Analisi delle Componenti Indipendenti (ICA)Apprendimento automatico↔ compare
- Clustering K-MeansApprendimento automatico↔ compare
- Latent Dirichlet Allocation (LDA)Apprendimento automatico↔ compare
- Decomposizione ai valori singolariMetodi numerici↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →