之前写过两篇文章，分别是
1）矩阵分解的综述：scikit-learn：2.5.矩阵因子分解问题
2）关于TruncatedSVD的简单介绍：scikit-learn：通过TruncatedSVD实现LSA（隐含语义分析）
今天发现NMF也是一个很好很实用的模型，就简单介绍一下，它也属于scikit-learn：2.5.矩阵因子分解问题的一部分。
NMF是另一种压缩方法，前提是假设数据矩阵是非负的。在数据矩阵不包含负值的情况下， NMF可以代替PCA及他的变形（NMF can be plugged in instead of PCA or its variants, in the cases where the data matrix does not contain negative values.）。他通过把X分解成W和H，并优化下式：
This norm is an obvious extension of the Euclidean norm to matrices. (Other optimization objectives have been suggested in the NMF literature, in particular Kullback-Leibler divergence, but these are not currently implemented.)
工作了，待续。。。。
版权声明：本文为博主原创文章，未经博主允许不得转载。
scikit-learn：通过Non-negative matrix factorization (NMF or NNMF)实现LSA（隐含语义分析）
原文：http://blog.csdn.net/mmc2015/article/details/47802463
