Негативне матричне розкладання (NMF)
Негативне матричне розкладання (NMF) — це сімейство алгоритмів, представлене Лі та Сінгом у їхній знаковій статті 1999 року в журналі Nature, яке розкладає невід'ємну матрицю даних V на добуток двох невід'ємних матриць меншого рангу W (базові компоненти) та H (коефіцієнти кодування). На відміну від PCA або SVD, обмеження невід'ємності змушує алгоритм вивчати суто адитивні, складові представлення, що робить множники безпосередньо інтерпретованими як будівельні блоки вихідних даних.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Джерела
- 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
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Non-negative Matrix Factorization (Lee & Seung, 1999). ScholarGate. https://scholargate.app/uk/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.
- Метод незалежних компонент (ICA)Машинне навчання↔ compare
- Кластеризація методом k-середніхМашинне навчання↔ compare
- Розподіл Діріхле для прихованих тем (LDA)Машинне навчання↔ compare
- Сингулярний розклад матриціЧисельні методи↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →