NMF,非负矩阵分解。这种方法只能应用于每个特征都是非负的数据。
基本思想:将大矩阵分解成两个小矩阵,使两个小矩阵相乘后能够尽可能的还原成大矩阵。
公式为:Vn∗m=Wn∗k∗Hk∗m
W矩阵:基础数据矩阵,相当于从V中抽取出K个特征,每一列表示一个特征,每行表示一个对象(比如:用户,图像像素);它们的值表示用户与这一特征的相关性;
H矩阵:系数矩阵,表示系数m与特征k之间的关联。
矩阵优化目标:Vn∗m与Wn∗k∗Hk∗m之间的差值尽可能的小
则目标函数:Z2 = |Vn∗m - (Wn∗k∗Hk∗m)|2
损失函数:argminJ(W,H)=∑ij(XijlnXijWHij−Xij+WHij)
可计算W矩阵和H矩阵点积与W矩阵之间的差值,通过不断迭代,逐渐减少误差直至收敛。
可通过梯度下降法,找出梯度变化最快的方向,逐步更新矩阵W、H
机器学习100天---day06 NMF非负矩阵分解
最新推荐文章于 2024-05-10 14:40:29 发布