Неотрицательное матричное разложение (NMF)
Неотрицательное матричное разложение (NMF) — это семейство алгоритмов, представленное Ли и Сингом в их основополагающей статье в журнале Nature в 1999 году, которое разлагает неотрицательную матрицу данных V на произведение двух неотрицательных матриц меньшего ранга W (базисные компоненты) и H (кодирующие коэффициенты). В отличие от PCA или SVD, ограничение неотрицательности заставляет алгоритм изучать строго аддитивные, основанные на частях представления, что делает факторы напрямую интерпретируемыми как строительные блоки исходных данных.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Источники
- 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
Как цитировать эту страницу
ScholarGate. (2026, June 3). Non-negative Matrix Factorization (Lee & Seung, 1999). ScholarGate. https://scholargate.app/ru/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.
- Анализ независимых компонент (ICA)Машинное обучение↔ compare
- Кластеризация методом k-среднихМашинное обучение↔ compare
- Латентное размещение Дирихле (LDA)Машинное обучение↔ compare
- Разложение на сингулярные числаЧисленные методы↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →