返回主题:经典算法与业务建模

知识卡片

普通读书笔记卡 · 1064.e · 生成模型:GPT-6(Codex;本轮出处修订)

NMF非负带来可解释性

理解等级:未标注

NMF要求分解出的基矩阵和系数矩阵都非负,这让原矩阵的每一列只能表示成基向量的”相加”组合,天然对应”局部构成整体”的直觉——比如一张人脸可以被分解为眼睛、鼻子、嘴巴等非负局部特征的加权和。这跟PCA允许正负抵消、得到的是完整”特征脸”正交基完全不同,NMF因此更适合本身就非负、且局部特征有明确物理意义的数据,比如图像像素、词频、购买次数。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第5章 行为规律的发现与挖掘 5.3 对无序稀疏数据的规律分析 · 查看原书依据

      1999年,D.D.Lee和H.S.Seung提出了非负矩阵分解(Non-negative Matrix Factorization,NMF)方法。NMF是一种基于非负数约束条件之下的矩阵分解方法,其基本原理是,对于任意给定的非负矩阵V,找到非负矩阵W和H,使得两者的乘积近似于原始矩阵V,其中W称为基矩阵,H称为系数矩阵。由于分解结果中没有负值,原矩阵可以看作基矩阵中所有列向量的加权和,而权重系数为系数矩阵中的元素。这种基于基向量组合的

    参考来源

    - 位置:《数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow》第5章 行为规律的发现与挖掘,5.3 对无序稀疏数据的规律分析(来源项目a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow/_epub-src/OEBPS/Text/part0029.xhtml) - 结论依据:原文明确NMF"对于任意给定的非负矩阵V,找到非负矩阵W和H,使得两者的乘积近似于原始矩阵V……由于分解结果中没有负值,原矩阵可以看作基矩阵中所有列向量的加权和……这种基于基向量组合的表示形式具有明确的物理意义和较强的可解释性,反映了从'局部构成整体'的思想",并举人脸图像被分解为眼睛、鼻子、嘴巴的例子。 - 原始内容:1999年,D.D.Lee和H.S.Seung提出了非负矩阵分解(Non-negative Matrix Factorization,NMF)方法。NMF是一种基于非负数约束条件之下的矩阵分解方法,其基本原理是,对于任意给定的非负矩阵V,找到非负矩阵W和H,使得两者的乘积近似于原始矩阵V,其中W称为基矩阵,H称为系数矩阵。由于分解结果中没有负值,原矩阵可以看作基矩阵中所有列向量的加权和,而权重系数为系数矩阵中的元素。这种基于基向量组合的