非負(fù)矩陣分解的定義及理解

「摘自《遷移學(xué)習(xí)》K-Means算法&非負(fù)矩陣三因子分解（NMTF）」

下圖可幫助理解：

舉個(gè)簡(jiǎn)單的人臉重構(gòu)例子：

Python實(shí)例：用非負(fù)矩陣分解提取人臉特征

「摘自Python機(jī)器學(xué)習(xí)應(yīng)用」

在sklearn庫(kù)中，可以使用sklearn.decomposition.NMF加載NMF算法，主要參數(shù)有：

n_components：指定分解后基向量矩陣W的基向量個(gè)數(shù)k
init：W矩陣和Z矩陣的初始化方式，默認(rèn)為‘nndsvdar’

目標(biāo)：已知Olivetti人臉數(shù)據(jù)共400個(gè)，每個(gè)數(shù)據(jù)是64*64大小。由于NMF分解得到的W矩陣相當(dāng)于從原始矩陣中提取的特征，那么就可以使用NMF對(duì)400個(gè)人臉數(shù)據(jù)進(jìn)行特征提取。
程序如下:

from numpy.random import RandomState
import matplotlib.pyplot as plt
from sklearn.datasets import fetch_olivetti_faces   #加載Olivetti人臉數(shù)據(jù)集導(dǎo)入函數(shù)
from sklearn import decomposition

n_row, n_col = 2, 3
n_components = n_row * n_col   #設(shè)置提取的特征的數(shù)目
image_shape = (64, 64)   #設(shè)置展示時(shí)人臉數(shù)據(jù)圖片的大小

dataset = fetch_olivetti_faces(shuffle=True, random_state=RandomState(0))
faces = dataset.data

def plot_gallery(title, images, n_col=n_col, n_row=n_row):
    plt.figure(figsize=(2. * n_col, 2.26 * n_row))
    plt.suptitle(title, size=16)

    for i, comp in enumerate(images):
        plt.subplot(n_row, n_col, i + 1)
        vmax = max(comp.max(), -comp.min())
        plt.imshow(comp.reshape(image_shape), cmap=plt.cm.gray,
                   interpolation='nearest', vmin=-vmax, vmax=vmax)
        plt.xticks(())
        plt.yticks(())
    plt.subplots_adjust(0.01, 0.05, 0.99, 0.94, 0.04, 0.)

plot_gallery("First centered Olivetti faces", faces[:n_components])

estimators = [('Eigenfaces - PCA using randomized SVD', decomposition.PCA(n_components=n_components, whiten=True)),
              ('Non-negative components - NMF', decomposition.NMF(n_components=n_components, init='nndsvda', tol=5e-3))]

for name, estimator in estimators:
    print("Extracting the top %d %s..." % (n_components, name))
    print(faces.shape)
    estimator.fit(faces)   #調(diào)用PCA或NMF提取特征
    components_ = estimator.components_   #獲取提取的特征
    plot_gallery(name, components_[:n_components])

plt.show()　　

運(yùn)行結(jié)果：

Extracting the top 6 Eigenfaces - PCA using randomized SVD...
(400, 4096)
Extracting the top 6 Non-negative components - NMF...
(400, 4096)

總結(jié)

以上是生活随笔為你收集整理的矩阵分解系列三：非负矩阵分解及Python实现的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。