La factorización de matriz no negativa y la descomposición de valores singulares realmente nombran grupos de algoritmos. Ambos se usan generalmente para hacer factorizaciones aproximadas de bajo rango, por lo que diría que eso no es una diferencia en la práctica. Ambos minimizan el error de mínimos cuadrados frente a la entrada.
En términos generales, pienso en NNMF como una factorización más tonta, más simple y más rápida en comparación con la SVD.
El SVD produce una factorización ‘más profunda’ en el sentido de que genera no solo una matriz U y V, sino también Sigma. Se garantiza que U y V son una base ortonormal y Sigma brinda información valiosa sobre la cantidad de información en cada dimensión de base sucesiva. No obtienes nada de eso con NNMF.
- ¿Cuáles son los mejores algoritmos para el conjunto de datos de preservación de la privacidad?
- ¿Es suficiente tomar todos los cursos de la especialización de Machine Learning de la Universidad de Washington en el curso para obtener mi primer trabajo / pasantía en ML?
- ¿Qué tipo de problemas puede resolver AI / Machine Learning en los países en desarrollo?
- ¿Cuál es la forma más fácil de entender el análisis de componentes principales?
- ¿Cuáles son los lenguajes de nivel de máquina?
Los algoritmos de NNMF que conozco refinan iterativamente una solución. Puede tomar muchas iteraciones desde cero para llegar a una solución adecuada. Pero también puede optar por detenerse tan pronto como desee y tomar una solución, independientemente del rango elegido de factorización.
El algoritmo SVD que conozco, Lanczos, también es iterativo pero de una manera diferente. Se itera para producir una factorización sucesivamente de rango superior. Esto es genial porque puede ayudarte a elegir el rango de forma inteligente y detenerte cuando sea bueno. Pero también puede significar que el número mínimo de iteraciones que necesita es mayor.
Las variantes de NNMF que conozco son más flexibles y se pueden definir razonablemente sobre matrices de entrada dispersas sin suponer que los valores faltantes son 0. O pueden ponderar la importancia de diferentes elementos de la entrada.