sklearn.decomposition.NMF?

class sklearn.decomposition.NMF(n_components=None, *, init=None, solver='cd', beta_loss='frobenius', tol=0.0001, max_iter=200, random_state=None, alpha=0.0, l1_ratio=0.0, verbose=0, shuffle=False)

[源碼]

非負矩陣分解

找出兩個非負矩陣(W, H)，它們的乘積近似于非負矩陣x。這種分解可以用于降維、源分離或主題提取。

目標函數為:

0.5 * ||X - WH||_Fro^2
+ alpha * l1_ratio * ||vec(W)||_1
+ alpha * l1_ratio * ||vec(H)||_1
+ 0.5 * alpha * (1 - l1_ratio) * ||W||_Fro^2
+ 0.5 * alpha * (1 - l1_ratio) * ||H||_Fro^2

Where:

||A||_Fro^2 = \sum_{i,j} A_{ij}^2 (Frobenius norm)
||vec(A)||_1 = \sum_{i,j} abs(A_{ij}) (Elementwise L1 norm)

對于乘更新(' mu ')求解器，通過改變參數beta_loss，可以將Frobenius范數(0.5 * ||X - WH||_Fro^2)變為另一個散度損失。

通過W和H的交替最小化來最小化目標函數。

在用戶指南中閱讀更多內容

新版本 0.18 。

參數 說明
n_components int or None
樣本的數量，如果沒有設置n_components，則保留所有特性。
init None / ‘random’ / ‘nndsvd’ / ‘nndsvda’ / ‘nndsvdar’ / ‘custom’
用于初始化過程的方法。默認值:None。有效的選項:

None: ‘nndsvd’ if n_components <= min(n_samples, n_features)
否則隨機。
‘random’: non-negative random matrices, scaled with:
sqrt(X.mean() / n_components)
‘nndsvd’: Nonnegative Double Singular Value Decomposition (NNDSVD)
初始化 (better for sparseness)
‘nndsvda’: NNDSVD with zeros filled with the average of X
(better when sparsity is not desired)
‘nndsvdar’: NNDSVD with zeros filled with small random values
(當不需要稀疏性時，通常更快，更不精確的NNDSVDa替代方案)
‘custom’: 使用自定義矩陣W和H
solver 'cd'/'mu'
“cd”是一個坐標下降求解器。' mu '是一個乘法更新求解器。

新版本0.17:坐標下降求解器。

版本0.19中的新版本:乘法更新求解器。
beta_loss float or string, default ‘frobenius’
字符串必須是{' frobenius '， ' kullback-leibler '， ' itakura-saito '}。為了使散度最小，測量X和點積WH之間的距離。注意，與“frobenius”(或2)和“kullback-leibler”(或1)不同的值會導致匹配速度明顯較慢。注意，對于beta_loss <= 0(或' itakura-saito ')，輸入矩陣X不能包含0。只在求解器中使用。

新版本為0.19。
tol float, default: 1e-4
停止條件的容忍度。
max_iter integer, default: 200
超時前的最大迭代次數。
random_state int, RandomState instance, default=None
用于初始化(當init== ' nndsvdar '或' random ')，并在坐標下降。在多個函數調用中傳遞可重復的結果。詳見術語表。。
alpha double, default: 0.
乘正則化項的常數。將它設為0，這樣就沒有正則化。

在0.17版本中新增:用于坐標下降求解器的alpha。
l1_ratio double, default: 0.
正則化混合參數，0 <= l1_ratio <= 1。對于l1_ratio = 0，罰分為元素L2罰分(又名Frobenius Norm)。對于l1_ratio = 1，它是元素上的L1懲罰。對于0 < l1_ratio < 1，懲罰為L1和L2的組合。

在0.17版本中新增:在坐標下降求解器中使用正則化參數l1_ratio。
verbose bool, default=False
是否冗長。
shuffle boolean, default: False
If true, randomize the order of coordinates in the CD solver.
屬性 說明
components_ array, [n_components, n_features]
分解矩陣，有時稱為“字典”。
n_components_ integer
組件的數量。如果給定n_components參數，則它與n_components參數相同。否則，它將與特性的數量相同。
reconstruction_err_ number
訓練數據X與擬合模型重建數據WH之間的矩陣差(或貝塔散度)的Frobenius范數。
n_iter_ int
實際迭代次數。

參考文獻

Cichocki, Andrzej, and P. H. A. N. Anh-Huy. “Fast local algorithms for large scale nonnegative matrix and tensor factorizations.” IEICE transactions on fundamentals of electronics, communications and computer sciences 92.3: 708-721, 2009.

Fevotte, C., & Idier, J. (2011). Algorithms for nonnegative matrix factorization with the beta-divergence. Neural Computation, 23(9).

示例

>>> import numpy as np
>>> X = np.array([[1, 1], [2, 1], [3, 1.2], [4, 1], [5, 0.8], [6, 1]])
>>> from sklearn.decomposition import NMF
>>> model = NMF(n_components=2, init='random', random_state=0)
>>> W = model.fit_transform(X)
>>> H = model.components_

方法

方法 說明
fit(X[, y]) 學習數據X的NMF模型。
fit_transform(X[, y, W, H]) 學習數據X的NMF模型并返回轉換后的數據。
get_params([deep]) 獲取這個估計器的參數。
inverse_transform(W) 將數據轉換回其原始空間。
set_params(**params) 設置這個估計器的參數。
transform(X) 根據擬合的NMF模型對數據X進行變換 
__init__(n_components=None, *, init=None, solver='cd', beta_loss='frobenius', tol=0.0001, max_iter=200, random_state=None, alpha=0.0, l1_ratio=0.0, verbose=0, shuffle=False)

[源碼]

初始化self. See 請參閱help(type(self))以獲得準確的說明。

fit(X, y=None, **params)

[源碼]

學習數據X的NMF模型。

參數 說明
X {array-like, sparse matrix}, shape (n_samples, n_features)
待分解的數據矩陣
y Ignored
返回值 說明
self - 
fit_transform(X, y=None, W=None, H=None)

[源碼]

學習數據X的NMF模型并返回轉換后的數據。

這比先調用fit再進行轉換更有效。

參數 說明
X {array-like, sparse matrix, dataframe} of shape (n_samples, n_features)
待分解的數據矩陣
y Ignored
W array-like, shape (n_samples, n_components)
如果init= ' custom '，則使用它作為解決方案的初始猜測。
H array-like, shape (n_components, n_features)
如果init= ' custom '，則使用它作為解決方案的初始猜測。
返回值 說明
W array, shape (n_samples, n_components)
轉換數據。		 
get_params(deep=True)

[源碼]

獲取這個估計器的參數。

參數 說明
deep bool, default=True
如果為True，則將返回此估計器的參數和所包含的作為估計器的子對象。
返回值 說明
X_new ndarray array of shape (n_samples, n_features_new)
轉換的數組		 
inverse_transform(W)

[源碼]

將數據轉換回其原始空間。

參數 說明
W {array-like, sparse matrix}, shape (n_samples, n_components)
轉換后的數據矩陣
返回值 說明
X {array-like, sparse matrix}, shape (n_samples, n_features)
原始形狀的數據矩陣
新版本 0.18 。		 
set_params(*params)

[源碼]

設置這個估計器的參數。

該方法適用于簡單估計量和嵌套對象(如pipelines)。后者具有形式為<component>_<parameter>的參數，這樣就讓更新嵌套對象的每個組件成為了可能。

參數 說明
**params dict
估計參數。
返回值 說明
self object
估計參數。		 
transform(X)

[源碼]

根據擬合的NMF模型對數據X進行變換

參數 說明
X {array-like, sparse matrix}, shape (n_samples, n_features)
模型需要轉換的數據矩陣
返回值 說明
W array, shape (n_samples, n_components)
轉換后的數據