Non-negativ matrisefaktorisering (NMF)
Non-negativ matrisefaktorisering (NMF) er en familie av algoritmer, introdusert av Lee og Seung i deres landemerkeartikkel i Nature i 1999, som dekomponerer en ikke-negativ datamatrise V til produktet av to ikke-negative matriser W (basiskomponenter) og H (kodingskoeffisienter) med lavere rang. I motsetning til PCA eller SVD, tvinger ikke-negativitetsbegrensningen algoritmen til å lære strengt additive, del-baserte representasjoner, noe som gjør faktorene direkte tolkbare som byggesteiner i de opprinnelige dataene.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Kilder
- 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
Slik siterer du denne siden
ScholarGate. (2026, June 3). Non-negative Matrix Factorization (Lee & Seung, 1999). ScholarGate. https://scholargate.app/no/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.
- Uavhengig komponentanalyse (ICA)Maskinlæring↔ compare
- K-Means-klyngingMaskinlæring↔ compare
- Latent Dirichlet Allocation (LDA)Maskinlæring↔ compare
- SingulærverdidekomposisjonNumeriske metoder↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →