Fatoração de Matriz Não-Negativa (NMF)
Fatoração de Matriz Não-Negativa (NMF) é uma família de algoritmos, introduzida por Lee e Seung em seu artigo seminal de 1999 na Nature, que decompõe uma matriz de dados não-negativa V no produto de duas matrizes não-negativas de menor posto, W (componentes de base) e H (coeficientes de codificação). Diferentemente de PCA ou SVD, a restrição de não-negatividade força o algoritmo a aprender representações estritamente aditivas, baseadas em partes, tornando os fatores diretamente interpretáveis como blocos de construção dos dados originais.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Fontes
- 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
Como citar esta página
ScholarGate. (2026, June 3). Non-negative Matrix Factorization (Lee & Seung, 1999). ScholarGate. https://scholargate.app/pt/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.
- Análise de Componentes Independentes (ICA)Aprendizado de máquina↔ compare
- Agrupamento K-MeansAprendizado de máquina↔ compare
- Alocação de Dirichlet Latente (LDA)Aprendizado de máquina↔ compare
- Decomposição em Valores SingularesMétodos numéricos↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →