回答情况：
提问时间：
问题标签：
1回答
我正在尝试使用Kullback-Liebler散度作为相似性度量来实现非负矩阵分解。该算法在：中描述。下面是我的python / numpy实现，以及一个运行它的示例矩阵。简而言之，该算法应该学习矩阵W(n×r)和H(r×m)，使得V(n×m)近似为WH。你从W和H的随机值开始，通过遵循Seung和Lee论文中描述的更新规则，你应该越来越接近W和H的良好近似值。如果你看一下W和H，你会发现由此产生的因子分解并不是特别好。
我想知道在计算W的更新时是使用更新的H
浏览 2修改于2013-05-16得票数 4
回答已采纳
1回答
然后，如果我减去这个X.values，那么唯一受影响的值就是数组X_imputed的非空值。这允许我随机获得80%的非空值。
浏览 0修改于2015-07-13得票数 5
回答已采纳
我在大矩阵上应用非负矩阵因式分解(NMF)。NMF方法的实质是:给定m乘n矩阵A，NMF分解为A= WH，其中W为m乘d，H为d为n，ProjectedGradientNMF方法在Python中实现。然而，由于矩阵ix非常大，我希望避免计算它两次。
如果你能告诉我如何同时得到W和H，那就太好了！
浏览 5提问于2014-07-14得票数 7
回答已采纳
由于NMF使用矩阵乘法，我想也许可以使用GPU(图形处理单元)。我找到了一个实现的解决方案。
问题是:为了提高NMF的性能，使用支持GPU的NMF是一个好的解决方案吗？或者我应该采取一种不同的方法？
浏览 4提问于2017-03-25得票数 0
2回答
我关注了这个博客 (在这里也附上了矩阵)，用于使用矩阵分解进行评级预测。最初，我们有一个稀疏的用户电影矩阵R。
这些实际上是“预测”评级的依据是什么？此外，我计划使用P矩阵(UxK)作为用
浏览 0提问于2016-11-24得票数 2
使用Scikit-learn (v0.15.2)对大型稀疏矩阵(小于1%的值> 0)进行非负矩阵分解。我希望通过最小化矩阵的非零值的误差来找到因子(即，不计算为零的条目的误差)，并支持稀疏性。但似乎当矩阵大小增加时，因子分解非常慢。
我说的是大于10^10个单元的矩阵。对于大约有10^7个单元的矩阵，我发现执行时间很好。我试过使用numpy稀疏矩阵(列和行稀疏)，但令人惊讶的
浏览 0修改于2015-07-22得票数 6
我正在使用Scikit-learn的非负矩阵分解( NMF )在一个稀疏矩阵上执行NMF，其中零个条目是缺失的数据。我想知道Scikit-learn的NMF实现是否将零条目视为0或缺少数据。
谢谢!
浏览 13提问于2017-02-21得票数 2
然而，当我看到关于在dataset上实现分解的scikit的代码时，我看到那里的脸已经被转换成类似幽灵的面孔。plt.imshow(img, cmap=plt.cm.gray, interpolation = 'nearest',vmin=-vmax,vmax=vmax) 我对矩阵上的
浏览 3提问于2017-07-09得票数 1
回答已采纳
我在文献中见过非负主成分分析(nPCA)和非负矩阵因式分解(NMF)的文献。我试着阅读了这两份文件，但我不清楚它们之间有什么区别和相似之处。
浏览 0提问于2019-10-25得票数 1
我只是对这个问题的以下基本实现感到好奇：
如果我理解正确的话，我们可以用封闭形式的解来解这个伪码中所描述的每个矩阵方程，用封闭的形式解，并将负项设为0，用蛮力的方式。这种理解是正确的吗？我希望将NMF用于变量约简，而且我使用NMF很重要，因为我的数据定义为非负数据。我正在征求对这个问题的意见。
浏览 6修改于2017-04-07得票数 5
回答已采纳
我有一个很大也很稀疏的矩阵(531Kx315K)，细胞总数约为1670亿个。非零值仅为1s。非零值的总数约为45K。是否有一个有效的NMF方案来解决我的问题？我知道这方面有几个软件包，它们只适用于小规模的数据矩阵。任何想法都有帮助。提前谢谢。
浏览 1提问于2017-11-28得票数 6
回答已采纳
据我所知，NMF的工作方式是取V，它是人脸图像的矩阵(n个分辨率x个人)，并分解V= WH，其中我们得到r基向量。我假定这一步是使用训练集完成的。但我不知道怎么从这里开始。
浏览 0提问于2015-11-04得票数 1
我目前正在使用sklearn的ProjectedGradientNMF和nimfa的Lsnmf求解器来分解一个非常稀疏的矩阵。我很好奇python社区目前最快或最接近的求解器是什么，或者有没有更好的稀疏矩阵(矩阵是稀疏的，而不是scipy.sparse)？
浏览 0提问于2015-07-17得票数 0
n_components在sklearn.NMF中是什么nmf.fit(V)
浏览 3修改于2020-11-12得票数 0
回答已采纳
我的数据是一个稀疏矩阵(80-90%的零)，主题在行，特征在列。由于某些原因，我得到了一个错误，我不知道为什么或如何处理它。
浏览 99修改于2016-08-04得票数 1
我发现我必须应用非负矩阵分解( NMF )来获得正向量，并且我发现ALS将使用方法.setnonnegative(true)实现NMF，但是我不知道如何在PCA之后将ALS集成到我的管道中。
浏览 2提问于2017-07-31得票数 0
以下是我将使用的数据集的一部分： u'technician inadvertently omitted documenting initial room \u201c cleaned sanitized field form',下面是我使用的代码：
tfidf_model = vectoriz
浏览 8提问于2017-11-01得票数 1
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号