NMF (Non-negative Matrix Factorization)
NMF (Non-negative Matrix Factorization) to rodzina algorytmów, wprowadzonych przez Lee i Seung w ich przełomowym artykule z 1999 roku w czasopiśmie Nature, które rozkładają nieujemną macierz danych V na iloczyn dwóch nieujemnych macierzy o niższym rzędzie W (komponenty bazowe) i H (współczynniki kodowania). W przeciwieństwie do PCA czy SVD, ograniczenie nieujemności wymusza na algorytmie naukę ściśle addytywnych, opartych na częściach reprezentacji, co sprawia, że czynniki są bezpośrednio interpretowalne jako składowe oryginalnych danych.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Źródła
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 3). Non-negative Matrix Factorization (Lee & Seung, 1999). ScholarGate. https://scholargate.app/pl/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.
- Analiza Składowych Niezależnych (ICA)Uczenie maszynowe↔ compare
- Klasteryzacja K-średnichUczenie maszynowe↔ compare
- Rozkład Dirichleta (LDA)Uczenie maszynowe↔ compare
- Rozkład według wartości osobliwychMetody numeryczne↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →