执行非负矩阵分解

这个例子展示了如何执行非负矩阵分解。

加载样例数据。

负载摩尔X =摩尔(:1:5);rng (“默认”);%的再现性

计算二阶近似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”);

重复迭代rms resid |delta x| 1 10 358.296 0.00190554 2 10 78.3556 0.000351747 3 10 230.962 0.0172839 4 10 326.347 0.007395552 5 10 361.547 0.00705539最终均方根残差= 78.3556

的“乘”算法对初始值非常敏感，因此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因式分解，它收敛更快，更一致。从最初开始，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 resid |delta x| 1 2 77.5315 0.000830334最终均方根残差= 77.5315

这两列W是转换后的预测器。两排H给出5个预测因子的相对贡献X到预测者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

第五种预测X(权重0.9802)显著影响第一个预测因子W。第三个预测因素X(权重0.9969)强烈影响第2个预测因子W。

将预测者的相对贡献可视化X与biplot的列空间中显示数据和原始变量W。

biplot (H ',“分数”W,“varlabels”, {'','',v3的,'',“v5”});Axis ([0 1.1 0 1.1]) xlabel(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