Negatif Olmayan Matris Ayrıştırması (NMF)
Non-negative Matrix Factorization (Lee & Seung, 1999) · Ayrıca şöyle bilinir: NMF, NNMF, nonnegative matrix factorization, non-negative matrix approximation, parts-based matrix decomposition
Negatif Olmayan Matris Ayrıştırması (NMF), Lee ve Seung tarafından 1999 tarihli çığır açan Nature makalelerinde tanıtılan ve negatif olmayan bir veri matrisini V, iki düşük dereceli negatif olmayan matris W (temel bileşenler) ve H'nin (kodlama katsayıları) çarpımı şeklinde ayrıştıran bir algoritma ailesidir. PCA veya SVD'nin aksine, negatif olmama kısıtlaması, algoritmayı yalnızca toplamsal, parçalara dayalı temsiller öğrenmeye zorlar, bu da faktörlerin orijinal verinin yapı taşları olarak doğrudan yorumlanmasını sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+1 tane daha
Ne zaman kullanılır
NMF, verinin doğası gereği negatif olmadığı — piksel yoğunlukları, kelime sayıları, spektral genlikler, gen ekspresyon seviyeleri — ve yorumlanabilir gizli bileşenlerin önemli olduğu durumlarda uygundur. Metin derlemlerinin konu modellemesi, hiperspektral görüntü ayrıştırması, ses kaynağı ayırma ve gen ekspresyon imzalarını belirleme gibi biyoinformatik uygulamalar için çok uygundur. Temel bir varsayım, gözlemlenen verilerin altında yatan negatif olmayan desenlerin negatif olmayan kombinasyonları olarak makul bir şekilde üretildiğidir; veri negatif değerler içeriyorsa, NMF ön işlem yapılmadan uygulanamaz. Bileşen sayısı k önceden belirtilmelidir, bu nedenle model seçimi (örneğin, yeniden yapılandırma hatası, çalıştırmalar arasındaki kararlılık veya alan bilgisi yoluyla) iş akışının bir parçasıdır.
Güçlü yönler & sınırlılıklar
- Negatif olmama, işaret kuralları olmadan doğrudan yorumlanabilir, parçalara dayalı, toplamsal temsiller üretir.
- Çarpımsal güncelleme kuralları uygulaması basittir, negatif olmamayı otomatik olarak korur ve garantili monoton yakınsama sağlar.
- Yüz özellikleri ve metindeki anlamsal konular gibi nesnelerin parçalarını öğrenmede PCA ve VQ ile rekabetçi veya üstündür.
- Seyreklik ve olasılıksal formülasyonları kapsayan onlarca yıllık uzantılarla iyi kurulmuş teorik ve algoritmik temeller.
- Verinin doğası gereği negatif olduğu her alana uygulanabilir: görüntüler, metin, ses, spektral veriler ve genomik.
- Dışbükey olmayan optimizasyon, sonuçların başlangıç değerlerine bağlı olduğu ve küresel minimuma yakınsamanın garanti edilmediği anlamına gelir.
- Bileşen sayısı k, uydurmadan önce seçilmelidir; otomatik seçim yoktur ve model karşılaştırması hesaplama açısından pahalı olabilir.
- Negatif değerler içeren verilere, analizi bozabilecek alanlara özgü ön işlem yapılmadan uygulanamaz.
- Büyük matrisler için çarpımsal güncelleme kurallarının yakınsaması yavaş olabilir; projeksiyon gradyanı ve dönüşümlü en küçük kareler varyantları pratikte genellikle daha hızlıdır.
- Ayrıştırmanın benzersizliği, seyreklik veya ortogonallik gibi ek kısıtlamalar getirilmediği sürece genellikle garanti edilmez.
SSS
NMF, PCA veya SVD'den nasıl farklıdır?
PCA ve SVD ortogonallik dayatır ancak bileşenlerde hem pozitif hem de negatif değerlere izin verir, bu da bütünsel, yorumlanması zor temsiller üretebilir (örneğin, bir PCA yüz bileşeni pozitif ve negatif piksel ağırlıklarını karıştırır). NMF, negatif değerleri tamamen yasaklar, bu nedenle her bileşen, yeniden yapılandırmaya asla çıkarmayan, yalnızca ekleyen gerçek bir parçadır. Karşılığında, NMF bileşenleri ortogonal değildir ve çözüm ek kısıtlamalar olmadan benzersiz değildir.
Bileşen sayısı k'yi nasıl seçerim?
Evrensel olarak optimal bir kriter yoktur. Yaygın yaklaşımlar arasında k'ye karşı yeniden yapılandırma hatasını çizmek ve bir dirsek aramak, birden fazla rastgele başlangıç değerinden bileşenlerin kararlılığını değerlendirmek (kofenetik korelasyon katsayısı) ve V'nin tutulmuş girişlerinde çapraz doğrulama kullanmak yer alır. Alan bilgisi — örneğin, bir derlemdeki beklenen konu sayısı veya bir görüntüdeki spektral uç üyeler — de seçimi bilgilendirmelidir.
NMF'yi her çalıştırdığımda neden farklı sonuçlar alıyorum?
NMF, dışbükey olmayan bir hedefi optimize eder, bu nedenle farklı rastgele başlangıç değerleri farklı yerel minimumlara yakınsayabilir. Standart çözüm, NMF'yi farklı rastgele tohumlarla birden çok kez (örneğin, 10-50 çalıştırma) çalıştırmak ve en düşük nihai yeniden yapılandırma hatasına sahip çalıştırmayı seçmektir. NNDSVD başlangıç değeri, rastgele tohum hassasiyetini azaltan deterministik bir başlangıç noktası sağlar.
NMF, LDA yerine konu modellemesi için kullanılabilir mi?
Evet. TF-IDF veya ham sayım belge-terim matrisi üzerindeki NMF, Latent Dirichlet Allocation'dan niteliksel olarak benzer konular (kelimelerin temel vektörleri) ve belge-konu yüklemeleri (kodlama matrisi) üretir. NMF'nin uygulanması daha basittir ve uydurulması daha hızlıdır, oysa LDA, yorumlanabilir Dirichlet öncelerine sahip bir üretken olasılıksal model sunar. Pratikte her iki yöntem de rekabetçidir ve seçim genellikle olasılıksal belirsizlik tahminlerinin gerekip gerekmediğine bağlıdır.
Kaynaklar
- 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
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Non-negative Matrix Factorization (Lee & Seung, 1999). ScholarGate. https://scholargate.app/tr/machine-learning/non-negative-matrix-factorization
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bağımsız Bileşen Analizi (BBA)Makine öğrenmesi↔ karşılaştır
- K-Means KümelemeMakine öğrenmesi↔ karşılaştır
- Gizli Dirichlet Tahsisi (LDA)Makine öğrenmesi↔ karşılaştır
- Tekil Değer AyrıştırmasıSayısal yöntemler↔ karşılaştır