基于Frobenius范数的标准NMF更新公式推导

最新推荐文章于 2021-10-26 23:39:11 发布

X_Weizhong

最新推荐文章于 2021-10-26 23:39:11 发布

阅读量1.1k

点赞数 3

分类专栏：机器学习文章标签：机器学习人工智能

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/a2011607/article/details/111917750

版权

本文介绍了非负矩阵分解（NMF）中的标准目标函数，并详细推导了基于Frobenius范数的矩阵W和H的更新公式，通过梯度下降法确保矩阵元素非负，解析了矩阵W和H如何迭代优化的过程。

摘要由CSDN通过智能技术生成

目标函数

在标准非负矩阵分解中，其目标函数很简单，形式为 $O(W, H)=\frac{1}{2}\left \| V-WH \right \|_{F}^{2}$ ，其中V为观测矩阵，W为基矩阵，H为系数矩阵, 这里假设V为m×n维的，W为m×l维的，H为l×n维的。

更新公式推导

其更新公式是基于梯度下降法，因此第一步就是要将目标函数分别对矩阵变量W和H求偏导，求出偏导后根据 $W_{ik}=W_{ik}-\alpha \frac{\partial O(W,H) }{\partial W_{ik}}$ 更新矩阵W，根据 $H_{kj}=H_{kj}-\beta \frac{\partial O(W,H)}{\partial H_{kj}}$ 来更新矩阵H。

矩阵

最低0.47元/天解锁文章

关注

3
点赞
踩
9

收藏

觉得还不错? 一键收藏
0
评论
基于Frobenius范数的标准NMF更新公式推导

目标函数在标准非负矩阵分解中，其目标函数很简单，形式为，其中V为观测矩阵，W为基矩阵，H为表示矩阵, 这里假设V为m×n维的，W为m×l维的，H为l×n维的。更新公式推导\sum_{i,j}^{ }(V_{ij}-(WH)_{ij})^{2}其更新公式是基于梯度下降法，因此第一步就是要将目标函数分别对矩阵变量W和H求偏导，求出偏导后根据更新矩阵W，根据来更新矩阵H。更新矩阵W先对W中的变量求偏导（链式求导法则）故更新公式为令，带入上式中可得...
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。