python - plu - Factorización de matriz no negativa en Sklearn

metodo de crout

Question

Estoy aplicando la factorización de matriz no negativa (NMF) en una matriz grande. Esencialmente, el método NMF hace lo siguiente: dada una matriz m por n A, el NMF se descompone en A = WH, donde W es m por d y H es d por n. El método ProjectedGradientNMF se implementa en el paquete Sklearn de Python. Me gustaría que el algoritmo arrojara tanto W como H. Pero parece que solo devuelve H, no W. La aplicación del algoritmo nuevamente a AT (la transposición) podría darme W. Sin embargo, me gustaría evitar calcularlo dos veces ya que matriz ix muy grande.

Si pudieras decirme cómo obtener simultáneamente W y H, ¡eso sería genial! A continuación está mi código:

from sklearn.decomposition import ProjectedGradientNMF
import numpy
A = numpy.random.uniform(size = [40, 30])
nmf_model = ProjectedGradientNMF(n_components = 5, init=''random'', random_state=0)
nmf_model.fit(A)
H = nmf_model.components_.T

Answer 1

Afortunadamente puedes mirar a través del código fuente:
https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/nmf.py

fit_transform() comienza en la línea 460, y en la línea 530 muestra que H se une a los components_ y W se devuelve desde la función.

Entonces no deberías tener que ejecutar esto dos veces, solo debes cambiar:

nmf_model.fit(A);
H = nmf_model.components_.T;

a

W = nmf_model.fit_transform(A);
H = nmf_model.components_;