非负矩阵分解(Nonnegative Matrix Factorization(NMF))
- 由来:是由Lee and Seung 于1999年在自然杂志上提出的一种矩阵分解方法[1]。
- 目的:即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
- 优点:(1):处理大规模数据更快更便捷;(2):简便性、分解形式和分解结构上的可解释性,以及占用存储空间少等诸多优点。
- 比较:(1):利用矩阵分解来解决实际问题的分析方法很多,如PCA(主成分分析)、ICA(独立成分分析 )、SVD( 奇异值分解)、VQ(矢量量化)等。
- (2):这些方法的共同特点是,元素可为正或负,即使输入的初始矩阵元素是全正,传统的秩削减算法也不能保证原始数据的非负性。
- (3): 在数学上,从计算的观点看,分解结果中存在负值是正确的,但负值元素在实际问题中往往是没有意义的。例如图像数据中不可能有负值的像素点;在文档统计中,负值也是无法解释的。
- 相关内容
- 非负矩阵分解(Non-negative Matrix Factorization,NMF)算法。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。即 维为非负矩阵,那么可以分解为两个非负矩阵维、维的乘积。
- ; (可以显着小于和,可以明显降低矩阵的维度。)
- 相关算法
- 1.乘法更新法(Multiplicative weight update method): Lee and Seung的乘法更新规则由于实现简单而成为一种流行的方法。该算法是:
- 初始化:和非负。
- 更新:由第次更新第次的、。
- 注意:更新是基于第(i,j)元素而不是矩阵乘法完成的。