การแยกตัวประกอบเมทริกซ์ไม่เป็นลบ (NMF)
การแยกตัวประกอบเมทริกซ์ไม่เป็นลบ (Non-negative Matrix Factorization: NMF) เป็นกลุ่มของอัลกอริทึมที่ Lee และ Seung นำเสนอในบทความสำคัญของวารสาร Nature เมื่อปี 1999 ซึ่งทำหน้าที่แยกเมทริกซ์ข้อมูลที่ไม่เป็นลบ V ออกเป็นผลคูณของเมทริกซ์ไม่เป็นลบสองเมทริกซ์ที่มีอันดับต่ำกว่า ได้แก่ W (ส่วนประกอบฐาน) และ H (สัมประสิทธิ์การเข้ารหัส) แตกต่างจาก PCA หรือ SVD ข้อจำกัดที่ไม่เป็นลบทำให้อัลกอริทึมเรียนรู้การนำเสนอแบบเพิ่มค่าอย่างเคร่งครัดและอิงตามส่วนประกอบ ทำให้ปัจจัยต่างๆ สามารถตีความได้โดยตรงว่าเป็นองค์ประกอบพื้นฐานของข้อมูลต้นฉบับ
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
แหล่งอ้างอิง
- 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
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Non-negative Matrix Factorization (Lee & Seung, 1999). ScholarGate. https://scholargate.app/th/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.
- การวิเคราะห์องค์ประกอบอิสระ (Independent Component Analysis - ICA)การเรียนรู้ของเครื่อง↔ compare
- การจัดกลุ่มแบบ K-Meansการเรียนรู้ของเครื่อง↔ compare
- [NEEDS TRANSLATION]การเรียนรู้ของเครื่อง↔ compare
- การแยกตัวประกอบค่าเอกฐานระเบียบวิธีเชิงตัวเลข↔ compare