Python机器学习应用-降维之NMF

非负矩阵分解（NMF）

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。

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。

$$V_{n*m}=W_{n*k}*H_{k*m}$$

• $W$矩阵：基础图像矩阵，相当于从原矩阵中抽取出来的特征。
• $H$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。
  

N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。

$$arg \min \frac{1}{2}||X-WH||^2=\frac{1}{2}\sum_{i,j}(X_{ij}-WH_{ij})^2$$
基于KL散度的优化目标，损失函数如下：
$$arg \min J(W, H)=\sum_{i,j}(X_{ij}\ln\frac{X_{ij}}{WH_{ij}}-X_{ij}+WH_{ij})$$

sklearn中NMF:

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’。

实例：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 W <script type="math/tex" id="MathJax-Element-16">W</script>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。

实例程序编写：

1 建立工程。导入sklearn相关工具包：

from numpy.random import RandomState
import matplotlib.pyplot as plt
from sklearn.datasets import fetch_olivetti_faces
from sklearn import decomposition

2 设置基本参数并加载数据

n_row, n_col = 2, 3 #设置图像显示时的排列情况，如右图
n_components = n_row * n_col #设置提取的特征数目
image_shape = (64, 64) # 
dataset = fetch_olivetti_faces(shuffle=True, random_state=RandomState(0))
faces = dataset.data #加载数据并打乱顺序

3 设置图像的展示方式：

def plot_gallery(title, images, n_col=n_col, n_row=n_row):
    plt.figure(figsize=(2. * n_col, 2.26 * n_row)) 
    plt.suptitle(title, size=16)

    for i, comp in enumerate(images):
        plt.subplot(n_row, n_col, i + 1)
        vmax = max(comp.max(), -comp.min())

        plt.imshow(comp.reshape(image_shape), cmap=plt.cm.gray,
                   interpolation='nearest', vmin=-vmax, vmax=vmax)
        plt.xticks(())
        plt.yticks(())
    plt.subplots_adjust(0.01, 0.05, 0.99, 0.94, 0.04, 0.)

4 创建特征提取的对象NMF，使用PCA作为对比：

estimators = [
    ('Eigenfaces - PCA using randomized SVD',
         decomposition.PCA(n_components=6,whiten=True)),

    ('Non-negative components - NMF',
         decomposition.NMF(n_components=6, init='nndsvda', tol=5e-3))

5 降维后数据点的可视化：

for name, estimator in estimators:
    print("Extracting the top %d %s..." % (n_components, name))
    print(faces.shape)
    estimator.fit(faces)
    components_ = estimator.components_
    plot_gallery(name, components_[:n_components])

plt.show()

附件

from numpy.random import RandomState
import matplotlib.pyplot as plt
from sklearn.datasets import fetch_olivetti_faces
from sklearn import decomposition


n_row, n_col = 2, 3
n_components = n_row * n_col
image_shape = (64, 64)


###############################################################################
# Load faces data
dataset = fetch_olivetti_faces(shuffle=True, random_state=RandomState(0))
faces = dataset.data

###############################################################################
def plot_gallery(title, images, n_col=n_col, n_row=n_row):
    plt.figure(figsize=(2. * n_col, 2.26 * n_row)) 
    plt.suptitle(title, size=16)

    for i, comp in enumerate(images):
        plt.subplot(n_row, n_col, i + 1)
        vmax = max(comp.max(), -comp.min())

        plt.imshow(comp.reshape(image_shape), cmap=plt.cm.gray,
                   interpolation='nearest', vmin=-vmax, vmax=vmax)
        plt.xticks(())
        plt.yticks(())
    plt.subplots_adjust(0.01, 0.05, 0.99, 0.94, 0.04, 0.)


plot_gallery("First centered Olivetti faces", faces[:n_components])
###############################################################################

estimators = [
    ('Eigenfaces - PCA using randomized SVD',
         decomposition.PCA(n_components=6,whiten=True)),

    ('Non-negative components - NMF',
         decomposition.NMF(n_components=6, init='nndsvda', tol=5e-3))
]

###############################################################################

for name, estimator in estimators:
    print("Extracting the top %d %s..." % (n_components, name))
    print(faces.shape)
    estimator.fit(faces)
    components_ = estimator.components_
    plot_gallery(name, components_[:n_components])

plt.show()