На этом шаге мы рассмотрим назначение и область применения этого алгоритма.
Факторизация неотрицательных матриц - еще один алгоритм машинного обучения без учителя, цель которого - выделить полезные характеристики. Он работает так же, как PCA, а также его можно использовать для уменьшения размерности. Как и в РСА, мы пытаемся записать каждую точку данных в виде взвешенной суммы некоторых компонентов, как показано на рисунке 1 91 шага. Однако, если в PCA нам нужно получить ортогональные компоненты, объясняющие максимально возможную долю дисперсии данных, то в NMF нам нужно получить неотрицательные компоненты и коэффициенты, то есть нам нужны компоненты и коэффициенты, которые больше или равны нулю. Поэтому этот метод может быть применен только к тем данным, в которых характеристики имеют неотрицательные значения, поскольку неотрицательная сумма неотрицательных компонентов не может быть отрицательной.
Процесс разложения данных на неотрицательную взвешенную сумму особенно полезен для данных, созданных в результате объединения (или наложения) нескольких независимых источников, например, аудиотреков с голосами нескольких людей, музыки с большим количеством инструментов. В таких ситуациях NMF может найти исходные компоненты, которые лежат в основе объединенных данных. В целом NMF позволяет получить более интерпретабельные компоненты, чем PCA, поскольку отрицательные компоненты и коэффициенты могут привести к получению трудных для интерпретации взаимокомпенсирующих эффектов. Например, собственные лица на рисунке 2 90 шага, содержат как положительные, так и отрицательные характеристики, и, как мы уже упоминали в описании PCA, знаки имеют фактически произвольный характер. Перед тем, как применить NMF к набору лиц, давайте заново посмотрим на наши синтетические данные.
На следующем шаге мы рассмотрим применение NMF к синтетическим данным.
