Machine learningDeep learning / NLP / CV

Uitlegbare NMF-onderwerpmodel

Een Uitlegbare NMF-onderwerpmodel combineert Non-negative Matrix Factorization — een op onderdelen gebaseerde decompositie van een document-termenmatrix — met expliciete interpreteerbaarheidstechnieken zoals coherentiemetingen, woordbijdragescores en SHAP-achtige attributie om ontdekte onderwerpen transparant en controleerbaar te maken voor menselijke lezers.

Openen in MethodMindBinnenkortVideoBinnenkortDownload slides

Lees de volledige methode

Alleen voor leden

Inloggen

Method map

The neighbourhood of related methods — select a node to explore.

Uitlegbare NMF-onderwerpmodel

Uitlegbare BERT-gebaseer…Explainable LDA Topic Mo…LDA-onderwerpmodel NMF-onderwerpmodel Sentence Embeddings Onderwerpmodellering

Bronnen

Lee, D. D., & Seung, H. S. (2001). Algorithms for non-negative matrix factorization. Advances in Neural Information Processing Systems, 13, 556–562. link ↗
Non-negative matrix factorization. Wikipedia. link ↗

Deze pagina citeren

ScholarGate. (2026, June 3). Explainable Non-negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/nl/deep-learning/explainable-nmf-topic-model

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.

Uitlegbare BERT-gebaseerde ClassificatieDeep learning↔ compare
Explainable LDA Topic ModelDeep learning↔ compare
LDA-onderwerpmodelDeep learning↔ compare
NMF-onderwerpmodelDeep learning↔ compare
Sentence EmbeddingsDeep learning↔ compare
OnderwerpmodelleringDeep learning↔ compare

Compare side by side →

Een fout op deze pagina gezien? Meld het of stel een correctie voor →