知识卡片
NMF的稀疏性优势
[[NMF非负带来可解释性]]的加性组合可能形成局部、较稀疏的表达,但非负约束不保证解一定稀疏。若任务需要稀疏性,可额外对基矩阵或系数矩阵施加约束。稀疏能减少冗余并突出局部特征,但评分矩阵里的“未评分”未必是真实零,不能把缺失直接当低评分参与拟合。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
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
此外,NMF的非负性约束使得分解结果具有一定的稀疏性。上文提到,由于只存在相加组合,NMF学到的是局部结构表达,如在人脸识别中,每一张人脸图像(V矩阵的每一列)被近似表示为眼睛、鼻子、嘴巴等局部特征(基矩阵W中的所有列)的线性组合。局部特征本身是稀疏的,且对于每一张人脸图像,并不一定用到所有的局部表达,因此NMF分解后的图像表达是一种稀疏的编码方式。
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:原文既谈加性局部表达,也谈显式稀疏约束;因此不把非负性误当稀疏性的无条件保证。
- 原始内容:此外,NMF的非负性约束使得分解结果具有一定的稀疏性。上文提到,由于只存在相加组合,NMF学到的是局部结构表达,如在人脸识别中,每一张人脸图像(V矩阵的每一列)被近似表示为眼睛、鼻子、嘴巴等局部特征(基矩阵W中的所有列)的线性组合。局部特征本身是稀疏的,且对于每一张人脸图像,并不一定用到所有的局部表达,因此NMF分解后的图像表达是一种稀疏的编码方式。