Niet-negatieve Matrixfactorisatie (NMF)
Niet-negatieve Matrixfactorisatie (NMF) is een familie van algoritmen, geïntroduceerd door Lee en Seung in hun baanbrekende Nature-artikel uit 1999, die een niet-negatieve datamatrix V ontbindt in het product van twee niet-negatieve matrices W (basiscomponenten) en H (coderingscoëfficiënten) met een lagere rang. In tegenstelling tot PCA of SVD dwingt de niet-negativiteitsbeperking het algoritme om strikt additieve, op onderdelen gebaseerde representaties te leren, waardoor de factoren direct interpreteerbaar zijn als bouwstenen van de oorspronkelijke gegevens.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Bronnen
- 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
Deze pagina citeren
ScholarGate. (2026, June 3). Non-negative Matrix Factorization (Lee & Seung, 1999). ScholarGate. https://scholargate.app/nl/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.
- Onafhankelijke Componentenanalyse (ICA)Machine learning↔ compare
- K-Means ClusteringMachine learning↔ compare
- Latente Dirichlet Allocatie (LDA)Machine learning↔ compare
- Singuliere-Waarde-DecompositieNumerieke methoden↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →