Factorizare matricială non-negativă (NMF)
Factorizarea matricială non-negativă (NMF) este o familie de algoritmi, introdusă de Lee și Seung în lucrarea lor de referință din 1999 din Nature, care descompune o matrice de date non-negative V în produsul a două matrici non-negative de rang inferior W (componente de bază) și H (coeficienți de codificare). Spre deosebire de PCA sau SVD, constrângerea de non-negativitate forțează algoritmul să învețe reprezentări strict additive, bazate pe părți, făcând factorii direct interpretabili ca elemente constitutive ale datelor originale.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Surse
- 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
Cum se citează această pagină
ScholarGate. (2026, June 3). Non-negative Matrix Factorization (Lee & Seung, 1999). ScholarGate. https://scholargate.app/ro/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 Componentelor Independente (ICA)Învățare automată↔ compare
- Clustering K-MeansÎnvățare automată↔ compare
- Latent Dirichlet Allocation (LDA)Învățare automată↔ compare
- Descompunerea în Valori SingulareMetode numerice↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →