Comme PCA ou BiomeNet, NMF est une méthode non supervisée. Bien que NMF puisse extraire les principales caractéristiques des données, il ne peut garantir que ces caractéristiques sont les meilleures caractéristiques discriminantes pour distinguer différentes classes.
La factorisation matricielle est-elle supervisée ?
Cependant, le problème est que les méthodes de factorisation matricielle sont également supervisées donc elles tombent également dans cette catégorie.
La factorisation matricielle non négative est-elle supervisée ou non ?
Dans sa forme classique, NMF est une méthode non supervisée, c'est-à-dire que les étiquettes de classe des données d'apprentissage ne sont pas utilisées lors du calcul du NMF. … Des données supplémentaires sont disponibles sur Bioinformatics online.
Quel est le principe de la factorisation matricielle ?
La factorisation matricielle est une technique permettant de découvrir les facteurs latents à partir de la matrice d'évaluation et de cartographier les éléments et les utilisateurs par rapport à ces facteurs. Considérons une matrice d'évaluations R avec des évaluations par n utilisateurs pour m éléments. La matrice de notation R aura n×m lignes et colonnes.
Qu'est-ce que la factorisation matricielle dans l'apprentissage automatique ?
La factorisation matricielle est une classe d'algorithmes de filtrage collaboratif utilisés dans les systèmes de recommandation. Les algorithmes de factorisation matricielle fonctionnent en décomposant la matrice d'interaction utilisateur-élément en le produit de deux matrices rectangulaires de dimensionnalité inférieure.
