NMF

ML--数据预处理，降维，特征提取及聚类

ML–数据预处理，降维，特征提取及聚类主要涉及的知识点有：几种常见的数据预处理工具PCA主成分分析用于数据降维PCA主成分分析和NMF非负矩阵分解用于特征提取几种常用的聚类算法一.数据预处理1.使用StandardScaler
weixin_30496431·2023-01-31 14:06

LDA主题模型

这里假设文档的生成服从多项式分布图片.png图片.png图片.png比较PLSA与基于kl散度的NMF是等价的，同时也是一种特殊的LDA模型。也有论文讨论了LDA模型与PLSA的近似关系。
JSong1122·2023-01-31 08:42

【自然语言处理】主题建模：基于 LDA 实现

主题建模的方法也比较多，除了本文提到的LDA，还有LSA、pLSA、NMF、BERTopic、Top2Vec等。后续我会针对这几种主题建模方法出一篇博客，进行一个详细的对比。
皮皮要HAPPY·2023-01-29 07:52

皮肤天然保湿因子的产生

天然保湿因子（NMF）的释放发生于角质细胞的蛋白基质中皮肤通过结合和保持角质层中的水分来维持皮肤的湿度。
小鱼儿谈护肤·2023-01-29 07:07

【Python机器学习基础教程】第三章第四节：降维、特征提取与流形学习

我们也将学习另外两种算法：非负矩阵分解（NMF）和t-SNE，前者通常用于特征提取，后者通常用于二维散点图的可视化。主成分分析非负矩阵
调参侠鱼尾·2023-01-28 11:52

MDIPA:基于非负矩阵分解的MicroRNA-药物相互作用预测方法

MDIPA:基于非负矩阵分解的MicroRNA-药物相互作用预测方法摘要一、简介二、方法2.1数据集2.2鉴定-药物相互作用2.3microRNA与药物的邻域信息2.4非负矩阵分解（NMF）2.5评价2.5.1
Super齐·2023-01-18 18:00

语义分析的一些方法(中篇)

说到主题模型，第一时间会想到pLSA，NMF，LDA。关于这几个目前业界最常用的主题模型，已经有相当多的介绍了，譬如文献[60，64]。
UMaker·2023-01-08 06:03

语义分析的方法简述二

说到主题模型，第一时间会想到pLSA，NMF，LDA。关于这几个目前业界最常用的主题模型，已经有相当多的介绍了，譬如文献[60，64]。
AI深入浅出·2023-01-08 06:29

LSA、pLSA、LDA、NMF、BERTopic、Top2Vec进行主题建模

在自然语言处理（NLP）中，主题建模是一种技术，用于从文本数据中发现隐藏的语义主题（或主题）。这是一个无监督机器学习问题，即在没有标签或标签的情况下学习模式。主题建模的应用非常广泛，可用于搜索引擎、情感分析、新闻聚类和摘要生成等许多任务。在这里将探讨主题建模的不同方法，包括传统的统计方法和最新的基于深度学习的方法。我们还将介绍每种方法的优点和缺点，并提供端到端的Python示例。文章目录主题模型比
Mr数据杨·2023-01-08 06:25

Python机器学习基础教程

文章目录监督学习与预处理无监督学习的类型数据集变换聚类无监督学习的挑战预处理与缩放应用数据变换对训练数据和测试数据进行相同的缩放预处理对监督学习的作用降维、特征提取与流形学习主成分分析将PCA应用于cancer数据集并可视化特征提取的特征脸非负矩阵分解将NMF
小小小方·2023-01-07 13:57

【笔记】【机器学习基础】非负矩阵分解

非负矩阵分解非负矩阵分解(NMF)是一种无监督学习算法，目的在于提取有用的特征，工作原理类似于PCA，可以识别出组合成数据的原始分量，也可以用于降维，通常不用于对数据进行重建或者编码。
'VeNus·2023-01-03 11:18

nmf算法 python_NMF、CNMF（原理+python实现）

这篇简书主要解决两个问题：1、NMF的原理以及代码实现2、CNMF的原理以及代码实现NMF(非负矩阵分解)NMF算法的基本思想是将原始非负矩阵分解为两个非负矩阵的乘积从而对原始高维矩阵进行降维表示。
想跟生活扳手腕·2023-01-01 13:04

ADMM求解优化NMF

本文拟对文章：“AnAlternatingDirectionAlgorithmforMatrixCompletionwithNonnegativeFactors”中利用ADMM进行非负矩阵分解部分进行推导。他的augmentedLagrangian可写成如下形式：(1)(1)优化W(2)优化H:（3）优化Wp,Hp:(4)优化:迭代终止条件：orl人脸库（32*32）上，目标函数收敛曲线：聚类结果
atease0001·2023-01-01 13:45

10 降维算法(PCA降维/LDA分类/NMF非负矩阵)

数据降维简介降维就是一种对高维度特征数据预处理方法。降维是将高维度的数据保留下最重要的一些特征，去除噪声和不重要的特征，从而实现提升数据处理速度的目的。降维具有如下一些优点：减少所需的存储空间。加快计算速度(例如在机器学习算法中)，更少的维数意味着更少的计算，并且更少的维数可以允许使用不适合大量维数的算法。去除冗余特征，例如在以平方米和平方公里在存储地形尺寸方面，两者一起用没有意义(数据收集有缺陷
处女座_三月·2023-01-01 08:47

sklearn基础篇（十）-- 非负矩阵分解与t-SNE

1非负矩阵分解(NFM)NMF(Non-negativematrixfactorization)，即对于任意给定的一个非负矩阵V\pmb{V}VVV，其能够寻找到一个非负矩阵W\pmb{W}WWW和一个非负矩阵
长路漫漫2021·2022-12-20 11:38

nmf算法 python_推荐算法——非负矩阵分解(NMF)

一、矩阵分解回想在博文推荐算法——基于矩阵分解的推荐算法中，提到了将用户-商品矩阵进行分解。从而实现对未打分项进行打分。矩阵分解是指将一个矩阵分解成两个或者多个矩阵的乘积。对于上述的用户-商品矩阵(评分矩阵)，记为Vm×n。能够将其分解成两个或者多个矩阵的乘积，如果分解成两个矩阵Wm×k和Hk×n。我们要使得矩阵Wm×k和Hk×n的乘积能够还原原始的矩阵Vm×n：Vm×n≈Wm×k×Hk×n=V^
weixin_34608222·2022-12-18 19:15

非负矩阵分解NMF(1): 非调包python实现

MatrixFactorization):1.1公式推导1.2代码实现1.3在图像数据下的效果2.非负矩阵分解(Non-negativeMatrixFactorization)2.1迭代公式2.2代码部分2.3在图像数据下的效果在实现NMF
FrenchOldDriver·2022-12-18 19:09

非负矩阵分解NMF(2): 拟牛顿法及其他方法

文章目录写在前面拟牛顿法(Quasi-Newtonmethod)公式推导代码实现其他方法公式推导代码实现写在前面在之前的一篇文章中非负矩阵分解（1）已经介绍了NMF的基本概念，数学基础以及代码实现，这里不再对
FrenchOldDriver·2022-12-18 19:09

非负矩阵分解NMF原理

非负矩阵分解NMF的目标对于任意给定的一个非负矩阵V，NMF算法寻找到一个非负矩阵W和一个非负矩阵H，使得V=WH成立，从而将一个大的非负矩阵分解成为两个非负矩阵的乘积。
Tizzy477·2022-12-18 19:08

期末周总结-矩阵理论-非负矩阵分解

非负矩阵分解（Non-negativematrixfactorization,NMF）是一种常用的矩阵分解方法。
姚困困·2022-12-18 13:11

Pca，Kpca，TSNE降维非线性数据的效果展示与理论解释

降维技术可以说非常常见的有Pca、Kpca、TSNE、LDA、NMF、神经网络自编码技术等，也是各有各的特点，比较深入且工业
月~时光之笛·2022-12-18 10:50

数据分析-降维-PCA-LDA-LLE

目录前言矩阵分解法主成分分析（PCA）核PCA非负矩阵分解（NMF）FactorAnalysis独立主成分分析（ICA）判别分析法（LDA）基于流形学习的数据降维方法LLEMDSMDS实现t-SNE前言降维指采用某种映射方法
ITLiu_JH·2022-12-13 20:45

python与机器学习降维：PCA实现高维数据可视化和NMF人脸数据特征提取

PCA实现高维数据可视化#建立工程，导入sklearn相关工具包importmatplotlib.pyplotaspltfromsklearn.decompositionimportPCAfromsklearn.datasetsimportload_iris#加载数据并进行降维data=load_iris()y=data.targetX=data.datapca=PC
Cachel wood·2022-12-05 08:54

机器学习-特征抽取(主成分分析法/因子分析法/非负矩阵因子分解NMF算法)

1.特征抽取：特征抽取是机器学习中另一种十分有用的方法，它与特性选择不同，特征抽取是对数据的特征进行概括和总结，而特性选择则主要是对数据中的不同特征进行比较和选取。特征抽取是机器学习技术中的一个常用的方法，它是一个属性降维的过程，特征抽取实际上是变换属性。经变换了的属性，或特性，是原来属性集的线性合并。特征抽取会导致更小更精的一组属性。用特征抽取建立的模型可能是质量更好的，因为数据被更少的和更有意
懂不董02·2022-12-02 01:13

Python机器学习——无监督学习

、聚类2、Sklearnvs.聚类3、sklearn.cluster4、降维5、分类vs.降维6、sklearnvs.降维三、K-Means聚类算法四、DBSCAN聚类算法五、主成分分析（PCA）六、NMF
sygALone·2022-12-01 22:59

近十年NMF文献列表

1综述(18articles)(1),D.D.Lee,H.S.Seung.Learningthepartsofobjectsbynon-negativematrixfactorization,Nature,1999(2),刘维湘等,非负矩阵分解及其在模式识别中的应用.科学通报,51(3),2006(3),HopkePK.Aguidetopositivematrixfactorization[C]/
weixin_34342905·2022-11-30 13:31

非负矩阵分解 NMF 总结

好难啊，看的头疼。争取十一写出来。1.非负矩阵分解假定非负矩阵X∈Rd×nX\inR^{d\timesn}X∈Rd×n,A∈Rd×kA\inR^{d\timesk}A∈Rd×k,B∈Rn×kB\inR^{n\timesk}B∈Rn×k为矩阵分解后的非负子矩阵，k远小于ddd和nnn.X+≈A+B+TX_+\approxA_+B^T_+X+≈A+B+T降维A可以理解为降维后的特征与原始数据之间的关系
ygzyrz·2022-11-27 10:35

matlab做nmf矩阵分解,进阶理解非负矩阵分解（NMF）

看起来这句话给人的信息量不大，背后却能挖掘NMF为什么会被提出且广泛被运用的原因。
weixin_39671964·2022-11-27 10:35

矩阵分解MF与非负矩阵分解NMF的应用

2.NMF（Non-negativematrixfactorizatio
scott198510·2022-11-27 10:05

非负矩阵分解NMF简介

本文整理NMF相关知识。
懒麻蛇·2022-11-27 10:03

详解非负矩阵分解(NMF)及其在脑科学中的应用

非负矩阵分解及其在脑科学中的应用基本原理确定最优因子数量代码实现非负矩阵分解与主成分分析的区别非负矩阵分解在脑科学中的应用应用一：神经发育模式：T2w/T1w比值映射的非负矩阵分解(NMF)应用二：微观结构的协方差模式基本原理
sta@ma@brain·2022-11-27 10:02

非负矩阵分解(NMF)相关文献

本文列出了自1999年NMF在Science上发表以来的文献资料。
流水淘沙金可见·2022-11-22 06:32

非负矩阵分解(NMF)相关文献

本文列出了自1999年NMF在Science上发表以来的文献资料。
为伊憔悴·2022-11-13 18:14

机器学习学习笔记之——无监督学习之降维、特征提取与流形学习

我们也将学习另外两种算法：非负矩阵分解（NMF）和t-SNE，前者通常用于特征提取，后者通常用于二维散点图的可视化。1、主成分分析（PCA）主成分分析（principalcompo
前丨尘忆·梦·2022-11-08 17:45

Python机器学习笔记之降维

文章目录前言算法PCA-鸢尾花数据集降维NMF、PCA-人脸图像特征提取总结前言对中国大学MOOC-北京理工大学-“Python机器学习应用”上的实例进行分析和修改：记录一些算法、函数的使用方法；对编程思路进行补充
Mr_Stutter·2022-10-30 02:06

2020-09-20

http://blog.csdn.net/pipisorry/article/details/52098864非负矩阵分解(NMF,Non-negativematrixfactorization)NMF
固执执着·2022-10-25 08:28

文本挖掘-实战记录（二）基于NMF和LDA模型的文本关键词提取和文档聚类

目录一、任务描述1.项目背景2.项目内容3.项目意义二、数据来源三、模型实现1.TFIDF实现关键词提取2.TextRank实现关键词提取3.NMF实现关键词提取4.NMF文档聚类实现5.LDA实现关键词提取
平平无奇秃头小天才·2022-10-23 07:29

【论文笔记】面向智能假肢手臂的生机接口系统与类神经协同控制

基于肌肉协同理论，使用非负矩阵分解（NMF）方法提取肌肉协同作用，并进行手部动作识别以及肘关节的连续运动估计。
Ctrl+Alt+L·2022-10-21 18:55

【网络流量识别】【聚类】【二】FCM和GMM—使用聚类技术和性能比较进行网络流量异常检测

原文链接：使用聚类技术和性能比较进行网络流量异常检测|IEEE会议出版物|伊·X普洛尔目录摘要第一节：介绍第二节：异常检测方法第三节：特征选择和简化3.1非负矩阵分解（NMF）3.2主成分分析（PCA）
昔我往矣wood·2022-09-30 07:30

Python 机器学习实战 —— 无监督学习（下）

前言在上篇《Python机器学习实战——无监督学习（上）》介绍了数据集变换中最常见的PCA主成分分析、NMF非负矩阵分解等无监督模型，举例说明使用使用非监督模型对多维度特征数据集进行降维的意义及实用方法
风尘浪子·2022-09-04 07:59

基于双层主题模型的技术演化分析框架及其应用

分别采用基于LDA和基于NMF的双层主题模型识别动态主题,通过主题内一致性和差异度指标评价两种方法的技术主题识别效果,对比选定最优方法,从主题成长性和重要性方面进行技术主题演化分析。
米朵儿技术屋·2022-07-28 18:44

dmf nmf_SQL Server 2019 –新的DMF sys.dm_db_page_info

dmfnmfMicrosoftreleasedpreviewofSQLServer2019recentlyinIgnite2018.WitheveryreleaseofSQLServerisenrichedwithnewdynamicmanagementviewandfunctionsalongwithenhancementstoexistingfeatures.微软最近在Ignite2018中发
culuo4781·2022-07-22 11:33

识别MCI高风险亚型

2022年2月份出的一个做MCI亚类型的文章，思路如下：用模板提取各种指标构建个体的SCN用SVM分类说明个体SCN网络是有效的个体SCN做非负矩阵分解(NMF)降维和聚类对找到的两个亚型做后续分析其中
懒麻蛇·2022-02-27 06:12

10X单细胞（10X空间转录组）分析回顾之harmony的各种运用（联合NMF和python的harmonypy）

其实人过的快不快乐，并不是说我们拥有了房子，车子，还有和喜欢的姑娘在一起，而是良好的人际关系，好了，这一篇我来详细分享一下harmony的各种用法，包括harmony与Seurat的联合使用，harmony与NMF
单细胞空间交响乐·2022-01-17 12:21

机器学习应用——无监督学习（实例:31省市居民家庭消费调查&学生上网时间分布聚类&鸢尾花数据&人脸数据特征提取）

聚类(clustering)和降维(DimensionReduction)）2.聚类——kmeans方法（居民家庭消费调查）、DBSCAN方法（学生上网时间分布）3.降维——PCA方法（鸢尾花数据）、NMF
柠檬茶@·2021-12-07 13:09

降维算法高级（一）20

文章目录相关背景数据降维数据降维的方法PCA降维LDA线性判别NMF非负矩阵分解LLE局部线性嵌入降维算法相关背景在许多领域的研究与应用中，通常需要对含有多个变量的数据进行观测，收集大量数据后进行分析研究寻找规律
samll-guo·2021-11-25 14:31

nonnegative matrix factorization (NMF）的R实现

非负矩阵分解（NMF）是一种最新的特征提取算法，与主成分分析（PCA）或独立成分分析（ICA）类似，非负矩阵分解（NMF）的目的是使用有限的基础成分来解释观察到的数据，这些成分组合在一起时尽可能准确地接近原始数据
一个人旅行*-*·2021-11-12 21:02

【代码更新】单细胞分析实录(21): 非负矩阵分解(NMF)的R代码实现，只需两步，啥图都有

1.起因之前的代码(单细胞分析实录(17):非负矩阵分解(NMF)代码演示)没有涉及到python语法，只有4个python命令行，就跟Linux下面的lsgrep一样的。
TOP生物信息·2021-11-04 14:00

潜在语义分析 (LSA)，概率潜在语义分析 (PLSA)

wordvectorspace)话题向量空间(topicvectorspace)潜在语义分析算法(矩阵奇异值分解算法)非负矩阵分解算法(non-negativematrixfactorization,NMF
连理o·2021-10-17 19:21

10X空间转录组数据分析之同型分数（细胞网络）和异型分数（临近网络）计算

关于R包STutility，不知道大家了解多少，这个包有很多值得学习的功能，今天介绍的两个就是这个R包的功能，当然，还有值得注意的一点就是这个R包的线性降维采用的是NMF，关于NMF也分享了很多了，大家可以多看看
单细胞空间交响乐·2021-09-22 11:35
上一页 1 2 3 4 5 6 7 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他