面试“利器“——微学时光

nmf的matlab代码等级2的NMF 等级2级非负矩阵分解（HierNMF2）是用于大型文档聚类和主题建模的无监督算法。 它的质量是LDA的20倍左右。 HierNMF2也已成功应用于生物信息学领域。 这个Matlab软件包是为以下论文开发的： Da Kuang, Haesun Park, Fast rank-2 nonnegative matrix factorization for hierarchical document clustering, The 19th ACM SIGKDD International Conference on Knowledge, Discovery, and Data Mining (KDD '13), pp. 739-747, 2013. 如果发现该代码有用，请引用本文。 所有这些Matlab函数均已记录在案。 要开始使用，请运行脚本test.m请在每个M文件的开头找到帮助程序文本，以获取更多选项。 脚本test.m使用Reuters数据集生成具有20个叶节点的主题层次结构。 通常，HierNMF2算法更喜欢术语文档矩阵，其中每个数据点（文档

非负矩阵分解(NMF,Nonnegtive Matrix Factorization)，NMF，非负矩阵分解，将大矩阵分解成两个小矩阵，且这两个小矩阵都不包含负值。 代码来自Chih-Jen Lin

nmf的matlab代码

nmf的matlab代码知情非负矩阵分解 依存关系： Python3 NumPy 科学 Matplotlib 描述 拍摄高光谱图像和纯文本输入文件，并使用输入文件中的设置对图像执行INMF光谱分解。 结果是一组端成员光谱和每个端成员的空间丰度图。 专为应用到沿海海洋高光谱成像仪（HICO）的数据而开发 实施了2种NMF算法： NMF（Lee＆Seung，2001） INMF（Wright等人，2018正在准备中） 输入： 有关输入选项的完整说明，请参见示例输入文件'SampleINMF.in'。 HICO图像（可以从NASA Ocean Color网站下载（HICO图像） 初始端成员光谱（当前此数据应为MATLAB保存文件格式[.mat]）。可以使用包含的“ calc_radiance”函数，反射光谱，modtran大气校正输出[.acd]和大气辐照度的顶部来生成该数据。光谱。 输出： 结果图 MATLAB保存Endmember光谱，丰度和成本函数的文件 使用代码 使用文本输入文件： 通过向inmf_master脚本提供所需输入文件位置的字符串，可以从命令中调用代码 python3 i

nmf的matlab代码nn-fac：非负因式分解技术工具箱 用于使用非交替最小二乘问题（NNLS）分辨率的分层交替最小二乘算法（HALS）的加速版本的Python代码，用于计算一些非负因式分解。 我是在BERTIN Nancy和COHEN Jeremy的指导下，在IRISA / Inria Rennes的PANAMA团队的研究硕士（SIF，master.irisa.fr）实习期间完成这项工作的。 在同一博士期间，在BERTIN Nancy和COHEN Jeremy和BIMBOT Frederic的指导下，它得到了扩展。 安装 您可以使用pip安装它： pip install nn-fac 然后，您可以通过键入以下代码来使用代码： import nn_fac 例如，如果要使用nmf，请键入： import nn_fac.nmf 如有问题，请随时与作者联系。 欢迎发表评论！ 内容 神经网络 该工具箱包含如[1]中所述开发的NNLS解析算法。 此代码基于GILLIS Nicolas MatLab代码的COHEN Jeremy python代码改编。 该工具箱还包含4种分解方法： NMF 非

Projected Gradient Methods for Non-negative Matrix Factorization Chih-Jen Lin Department of Computer Science Abstract Non-negative matrix factorization (NMF) can be formulated as a minimization problem with bound constraints. Although bound-constrained optimization has been studied extensively in both theory and practice, so far no study has formally applied its techniques to NMF. In this paper, we propose two projected gradient methods for NMF, both of which exhibit strong optimization properties. We discuss ecient implementations and demonstrate that one of the proposed methods converges faster than the popular multiplicative update approach. A simple MATLAB code is also provided.