执行非负矩阵分解

这个例子展示了如何进行非负矩阵分解。

加载示例数据。

负载摩尔X =摩尔(:1:5);rng (“默认”）;%的再现性

计算的二级近似X使用乘法更新算法，从5个随机初始值开始W和H．

选择= statset (“麦克斯特”10“显示”，“最后一次”）;[W0, H0] = nnmf (X, 2,“复制”5,“选项”选择,“算法”，“乘”）;

rep迭代rms残差|delta x| 1 10 358.296 0.00190554 2 10 78.3556 0.000351747 3 10 230.962 0.0172839 4 10 326.347 0.00739552 5 10 361.547 0.00705539最终均方根残差= 78.3556

的“乘”算法对初值比较敏感，在使用时是很好的选择“复制”找到W和H从多个随机的起始值。

现在使用交替最小二乘算法进行分解，这种算法收敛得更快，也更一致。从初始阶段开始，运行100次以上的迭代W0和H0确认以上。

选择= statset (“麦克斯特”, 1000,“显示”，“最后一次”）;[W H] = nnmf (X, 2,“w0”W0,“h0”H0,“选项”选择,“算法”，“als”）;

rep迭代rms残差|delta x| 1 2 77.5315 0.000830334最终均方根残差= 77.5315

这两列W是转化后的预测者。两排H给出五个预测因子的相对贡献X给预测者W．显示H。

H

H =2×50.0835 0.0190 0.1782 0.0072 0.9802 0.0559 0.0250 0.9969 0.0085 0.0497

第五项预测X(权重0.9802)强烈影响在W．第三个预测因子X(权重0.9969)强烈影响中第二个预测因子W．

可视化预测因子的相对贡献X与biplot，表示的列空间中的数据和原始变量W．

biplot (H ',“分数”W,“varlabels”, {＇＇，＇＇，v3的，＇＇，“v5”}）;xlabel([0 1.1 0 1.1])第一列的) ylabel (第2列的)

另请参阅

nnmf

相关的话题

• 非负矩阵分解