数据降维笔记——非负矩阵分解（NMF）,人脸数据特征提取

最新推荐文章于 2024-06-09 09:41:05 发布
最新推荐文章于 2024-06-09 09:41:05 发布
阅读量6.9k 收藏 22
点赞数 4
分类专栏： python 机器学习 降维 文章标签： NMF 机器学习 图像特征提取
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/youyinyou/article/details/78052598
版权
本文探讨了使用非负矩阵分解（NMF）进行数据降维的技术，特别是在人脸特征提取中的应用。通过调整n_components参数来控制降维后的维度，并讨论了不同的初始化方法对结果的影响。
摘要由CSDN通过智能技术生成
数据降维——非负矩阵分解（NMF）

一、原理
Non-negative Matrix Factorization,实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。

NMF能够广泛应用于图像分析、文本挖掘和语音处理等领域。

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(F∗N)=W
最低0.47元/天 解锁文章
夏绿
关注
  • 4
    点赞
  • 踩
  • 22
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
人工智能（无监督学习-降维）——非负矩阵分解（NMF）
2401_84008929的博客
04-13 735
2 矩阵分解优化目标3 案例4 代码实现（Python）#1. 建立工程，导入sklearn相关工具包：=from numpy.random import RandomState #加载RandomState用于创建随机种子import matplotlib.pyplot as pltfrom sklearn.datasets import fetch_olivetti_faces #加载Olivetti人脸数据集导入函数from sklearn import decomposition #加载PCA
非负矩阵分解提取人脸特征
未央&袅袅的博客
07-04 3647
非负矩阵分解原理 顾名思义：是一个矩阵分解，并且分解矩阵非负。看起来这句话给人的信息量不大，背后却能挖掘NMF为什么会被提出且广泛被运用的原因。 首先是NMF是一个矩阵分解，它和PCA（主成分分析）、ICA（独立成分分析）、SVD（奇异值分解）和VQ（矢量量化）等矩阵分解一样：在当前数据量庞大且巨大的时代，对数据的维数进行消减和高浓度压缩十分重要。 其次是为什么非负，在上述提到的矩阵分解方法中，原始的大矩阵V被近似分解为低维（秩）的V=WH形式。这些方法的共同特点是，因子W和H中的元素可为正或负，即使输入的
【Python机器学习】非负矩阵分解（NMF）
最新发布
weixin_39407597的博客
06-09 551
非负矩阵分解（NMF）也是一种无监督算法，其目的在于提取有用的特征。它的工作原理类似于PCA，也可以用于降维。
【机器学习】（十七）非负矩阵分解NMF：人脸图像特征提取、用特征排序；还原混合信号
一亿少女的梦
07-25 2830
非负矩阵分解(NMF)是一种无监督学习算法，目的在于提取有用的特征（可以识别出组合成数据的原始分量），也可以用于降维，通常不用于对数据进行重建或者编码。 与PCA相同，NMF将每个数据点写成一些分量的加权求和，并且分量和系数都大于0，只能适用于每个特征都是非负的数据（正负号实际上是任意的）。 两个分量的NMF：分量指向边界，所有的数据点都可以写成这两个分量的正数组合。 一个分量的NMF：分量指向平均值，指向这里可以对数据做出最好的解释。 在NMF中，不存在“第一非负分量”，所有分量地位平等，减少分量个数会
非负矩阵分解在人脸识别中的应用
05-16
关于图像处理方面的方法 介绍的非常详细 看起来很明白
NMF非负矩阵分解
m2xgo的博客
02-04 1906
NMF非负矩阵分解是将一个非负矩阵分解成两个非负矩阵，处理有些实际问题时数据往往是非负数，其他的矩阵分解如SVD分解有时会将矩阵分解成含有负数矩阵，负数出现与实际情况相悖。NMF在图像处理、推荐系统、数据降维中有着广泛的应用，NMF在实现方法上也与其他矩阵分解有质的区别。 一、理解NMF NMF将一个非负矩阵V分解成两个非负矩阵W、V，三者的关系是： V≈W*H 注意中间是约等于的关系，NMF需要找出两个非负矩阵来近似原来的矩阵。不妨设V是m行n列的矩阵：V∈Rm*n,W是m行r列矩阵：W∈R...
人工智能（无监督学习-降维）——非负矩阵分解（NMF
2401_84141210的博客
05-01 236
基础图像矩阵，相当于从原矩阵V 中抽取出来的。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。上图摘自 NMF 作者的论文， 左侧 为 W矩阵 ，可以看出从原始图像中抽取出来的 特征 ， 中间 的是 H矩阵。可以发现乘积结果与原结果是很像的。2 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，目标函数如下：基于 KL 散度的优化目标，损失函数如下：(公式的推导略)3 案例**目标：**已知Olivetti人脸数据共400个，每个数据是64*64大小。
NMF（非负矩阵分解）人脸数据特征提取
01-20
import matplotlib.pyplot as plt from sklearn import decomposition from sklearn.datasets import fetch_olivetti_faces from numpy.random import RandomState n_row, n_col = 2, 3 n_components = n_row * n_...
非负矩阵分解的人脸识别NMF 可正常运行 算法源码 matlab
03-14
【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：非负矩阵分解的人脸识别NMF 可正常运行 算法源码 matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员
非负矩阵图像特征提取（python）
04-25
算法流程 1、随机初始化一个4096行8列的矩阵W和一个8行64列的矩阵H，设定误差阈值[公式]和迭代轮数[公式] 2、按照上述的乘法更新规则更新（即(1)和(2)式）W和H矩阵，迭代进行第二步 3、输出W矩阵，W矩阵的每一列即为一个特征，即对应的一个数字。将每一列重新展开为一个64*64的矩阵，转置后绘制出来，可看到对应的8个数字，得到结果如下图（1000轮迭代，大约9秒完成）。可看出非负矩阵分解可以很好地将原图中的特征提取出来。
图正则化鲁棒非负矩阵分解用于聚类和选择差异表达基因
03-15
图正则化鲁棒非负矩阵分解用于聚类和选择差异表达基因
用于人脸识别的NMF分解程序(用MATLAB编写的)
06-18
---------------------------------------------------------------------------- README file for nmfpack ---------------------------------------------------------------------------- Patrik Hoyer August 03, 2006 Version 1.1 This Matlab package implements and tests various versions of non-negative matrix factorization (NMF). This package is associated with the article: Patrik O Hoyer. 'Non-negative matrix factorization with sparseness constraints' Journal of Machine Learning Research 5:1457-1469,
NMF、PCA-人脸图像特征抽取与对比.py
04-11
NMF、PCA-人脸图像特征抽取与对比的python源代码。帮助了解聚类分析。
2024年Python最全人工智能（无监督学习-降维）——非负矩阵分解（NMF，2024年最新阿里巴巴 面试流程技巧
2401_84139944的博客
05-03 583
如果你也是看准了Python，想自学Python，在这里为大家准备了丰厚的免费大礼包，带大家一起学习，给大家剖析Python兼职、就业行情前景的这些事儿。
【机器学习】NMF(非负矩阵分解)
AAI666666的博客
03-01 2484
本篇文章主要介绍NMF算法原理以及使用sklearn中的封装方法实现该算法，最重要的是理解要NMF矩阵分解的实际意义，将其运用到自己的数据分析中！
非负矩阵分解NMF
浅梦的学习笔记
08-31 1027
本文介绍非负矩阵分解NMF的优化目标和概率解释
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
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。

余额充值