NMF、PCA人脸特征抽取与对比

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。 ??∗? = ??∗? ∗ ??∗?

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。

代码实现

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。

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