Негативна матрична факторизација (NMF)
Негативна матрична факторизација (NMF) је породица алгоритама, коју су увели Ли и Сијинг у свом значајном раду из 1999. године у часопису Nature, а која разлаже негативну матрицу података V на производ две негативне матрице нижег ранга W (основни компоненти) и H (коефицијенти кодирања). За разлику од PCA или SVD, ограничење негативности приморава алгоритам да научи стриктно адитивне, делове засноване репрезентације, чинећи факторе директно интерпретабилним као грађевне блокове оригиналних података.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Izvori
- 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
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Non-negative Matrix Factorization (Lee & Seung, 1999). ScholarGate. https://scholargate.app/sr/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.
- Независна компонента анализа (ICA)Mašinsko učenje↔ compare
- K-Means klasterovanjeMašinsko učenje↔ compare
- Latent Dirichlet Allocation (LDA)Mašinsko učenje↔ compare
- Singular Value DecompositionNumeričke metode↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →