2024年最全人工智能（无监督学习-降维）——非负矩阵分解（NMF(1)，2024年最新面试必背

最后

Python崛起并且风靡，因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低，但它的晋级路线很多，通过它你能进入机器学习、数据挖掘、大数据，CS等更加高级的领域。Python可以做网络应用，可以做科学计算，数据分析，可以做网络爬虫，可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多，你需要学好基础，再选择明确的方向。这里给大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

👉Python所有方向的学习路线👈

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

👉Python必备开发工具👈

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

👉Python全套学习视频👈

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

👉实战案例👈

学python就与学数学一样，是不能只看书不做题的，直接看步骤和答案会让人误以为自己全都掌握了，但是碰到生题的时候还是会一筹莫展。

因此在学习python的过程中一定要记得多动手写代码，教程只需要看一两遍即可。

👉大厂面试真题👈

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

4.1 代码

4.2 结果展示

---

1 概念

---

1.1 非负矩阵分解

（ Non-negative Matrix Factorization ， NMF ）：是在矩阵中所有元素均为非负数约束条件之下的矩阵分解方法。

1.2 基本思想

给定一个非负矩阵 V ， NMF 能够找到一个非负矩阵 W 和一个非负矩阵H ，使得矩阵 W 和 H 的乘积近似等于矩阵 V 中的值。

1.3 W矩阵

基础图像矩阵，相当于从原矩阵V 中抽取出来的特征。

1.4 H矩阵

系数矩阵。NMF能够广泛应用于图像分析、文本挖掘和语音处理等领域。

上图摘自 NMF 作者的论文， 左侧 为 W矩阵 ，可以看出从原始图像中抽取出来的 特征 ， 中间 的

是 H矩阵 。可以发现乘积结果与原结果是很像的。

2 矩阵分解优化目标

---

最小化 W 矩阵 H 矩阵的乘积和原始矩阵之间的差别，目标函数如下：

基于 KL 散度的优化目标，损失函数如下：

(公式的推导略)

3 案例

---

NMF人脸数据特征提取：

**目标：**已知Olivetti人脸数据共400个，每个数据是64*64大小。由于NMF分解得到的 W矩阵相

当于从原始矩阵中提取的特征 ，那么就可以使用NMF对400个人脸数据进行特征提取。

通过设置k的大小，设置提取的特征的数目。在本实验中设置k=6，随后将提取的特征以图像的形式展示出来。

4 代码实现（Python）

---

在sklearn库中，可以使用sklearn.decomposition.NMF加载NMF算法，主要参数有：

• n_components：用于指定分解后矩阵的单个维度k；

• init：W矩阵和H矩阵的初始化方式，默认为‘nndsvdar’。

4.1 代码

#1. 建立工程，导入sklearn相关工具包：=

from numpy.random import RandomState #加载RandomState用于创建随机种子

import matplotlib.pyplot as plt

from sklearn.datasets import fetch_olivetti_faces #加载Olivetti人脸数据集导入函数

from sklearn import decomposition #加载PCA算法包

from pylab import *

import matplotlib; matplotlib.use(‘TkAgg’)

mpl.rcParams[‘font.sans-serif’] = [‘SimHei’]

mpl.rcParams[‘axes.unicode_minus’] = False

#==2. 设置基本参数并加载数据：=

n_row, n_col = 2, 3 #设置图像展示时的排列情况，如右图

n_components = n_row * n_col #设置提取的特征的数目

image_shape = (64, 64) #设置人脸数据图片的大小

#=3.下载人脸数据:============

dataset = fetch_olivetti_faces(shuffle=True, random_state=RandomState(0)) #加载数据，并打乱顺序

faces = dataset.data #加载数据，并打乱顺序

#=4. 设置图像的展示方式:======

def plot_gallery(title, images, n_col=n_col, n_row=n_row):

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、全套PDF电子书

书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

四、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

五、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！