non-negative matrix factorization

Angol

Főnév

non-negative matrix factorization (tsz. non-negative matrix factorizations)

(informatika) Non-negative Matrix Factorization (NMF) – magyarul: nemnegatív mátrixfelbontás – egy dimenziócsökkentő és adatreprezentációs módszer, amely egy nemnegatív mátrixot két másik, szintén nemnegatív mátrix szorzataként közelít. Célja, hogy a bemeneti adatot értelmezhetőbb, sűrített, „alkotórészekre bontott” formában ábrázolja. Gyakran alkalmazzák képfeldolgozásban, dokumentumelemzésben, ajánlórendszerekben és bioinformatikában.

🧠 1. Alapötlet

Egy nemnegatív mátrixot úgy közelítünk, hogy az elemeit pozitív „építőelemek összegeként” fejezzük ki.

Formálisan:

$X\approx W\cdot H$

Ahol:

${\textstyle X\in \mathbb {R} ^{m\times n}}$ , az eredeti nemnegatív adatmátrix
${\textstyle W\in \mathbb {R} ^{m\times r}}$ , a bázismátrix (jellemzők, témák, arckomponensek stb.)
${\textstyle H\in \mathbb {R} ^{r\times n}}$ , a koefficiensmátrix (súlyok vagy hozzájárulások)
${\textstyle r}$ : a faktorszám (rejtett dimenziók száma)

📊 2. Példa – Dokumentumok témákra bontása

${\textstyle X}$ : dokumentum–szó mátrix (minden cella: adott szó gyakorisága egy dokumentumban)
${\textstyle W}$ : „témák” a szavak alapján (pl. „sport”, „politika”)
${\textstyle H}$ : dokumentumok reprezentációja a témák szerint

📷 3. Példa – Arcfelismerés

${\textstyle X}$ : arcok pixeleinek mátrixa (képek)
${\textstyle W}$ : „arcrészletek” (pl. szem, száj, orr mint bázisok)
${\textstyle H}$ : minden arc súlyozott összege a részekből

⚙️ 4. Algoritmus (általános séma)

Inicializáljuk ${\textstyle W}$ és ${\textstyle H}$ -t véletlenszerűen, pozitív értékekkel
Iteratív módon frissítjük őket úgy, hogy csökkenjen a rekonstrukciós hiba:

${\text{minimize}}\quad ||X-WH||_{F}^{2}\quad {\text{subject to}}\quad W,H\geq 0$
A frissítések tipikusan multiplikatív szabályokon alapulnak (Lee–Seung, 2001)

🛠️ 5. Python példa (`scikit-learn`)

from sklearn.decomposition import NMF
from sklearn.datasets import fetch_olivetti_faces

faces = fetch_olivetti_faces()
X = faces.data

model = NMF(n_components=16, init='random', random_state=0)
W = model.fit_transform(X)
H = model.components_

# W: arcok komponensei, H: hozzájárulások

🧩 6. NMF vs. PCA vs. SVD

Módszer	Negatív értékek	Értelmezhetőség	Lineáris	Komponensek típusa
NMF	❌ csak ≥ 0	✅ jó	✅	Additív, nemnegatív
PCA	✅ lehetnek	❌ nehéz	✅	Ortogonális
SVD	✅ lehetnek	❌ nehéz	✅	Mat. optimális

📌 NMF az egyetlen, amely csak additív (pozitív) kombinációkat használ → jobban értelmezhető komponensek (pl. alkotórészek).

📈 7. Alkalmazások

📰 Szövegelemzés, topic modeling (dokumentumok témákra bontása)
🖼️ Képtömörítés és arcfeldolgozás
🔬 Genomikai mintázatkeresés
🎵 Hangforrás-szétválasztás
💳 Ajánlórendszerek (pl. Netflix, Amazon – termék/személy profilozás)

⚖️ 8. Előnyök és hátrányok

✅ Előnyök:

Az eredmény értelmezhetőbb (csak pozitív hozzájárulások)
Jó dimenziócsökkentés vizualizációhoz, klaszterezéshez

❌ Hátrányok:

Nem konvex → csak lokális minimumot garantál
Érzékeny az inicializálásra
A komponensek száma (r) előre kell választani

🧾 9. Összefoglalás

A non-negative matrix factorization (NMF):

Egy dimenziócsökkentő és komponenskereső technika, amely nemnegatív elemekkel dolgozik
Különösen jól működik olyan problémákban, ahol a komponensek értelmezhető alkotórészekként jelennek meg
Alkalmazható szövegfeldolgozástól képelemzésig, ajánlórendszerektől bioinformatikáig

További információk

non-negative matrix factorization - Szótár.net (en-hu)
non-negative matrix factorization - Sztaki (en-hu)
non-negative matrix factorization - Merriam–Webster
non-negative matrix factorization - Cambridge
non-negative matrix factorization - WordNet
non-negative matrix factorization - Яндекс (en-ru)
non-negative matrix factorization - Google (en-hu)
non-negative matrix factorization - Wikidata
non-negative matrix factorization - Wikipédia (angol)