一.非负矩阵分解（Non-negative Matrix Factorization ，NMF）
是在矩阵中所有元素均为非负数约束条件之下的矩阵分解方法。
基本思想：给定一个非负矩阵V，NMF能够找到一个非负矩阵W和一个非负矩阵H，使得矩阵W和H的乘积近似等于矩阵V中的值。
• W矩阵：基础图像矩阵，相当于从原矩阵V中抽取出来的特征
• H矩阵：系数矩阵。
• NMF能够广泛应用于图像分析、文本挖掘和语音处理等领域
上图摘自NMF作者的论文，左侧为W矩阵，可以看出从原始图像中抽取出
来的特征，中间的是H矩阵。可以发现乘积结果与原结果是很像的。
矩阵分解优化目标：最小化W矩阵H矩阵的乘积和原始矩阵之间的差别，目标函数如下：
基于KL散度的优化目标，损失函数如下：
公式推导的参考链接：http://blog.csdn.net/acdreamers/article/details/44663421/
sklearn中非负矩阵分解
在sklearn库中，可以使用sklearn.decomposition.NMF加载NMF算法，主要参数有：
• n_components：用于指定分解后矩阵的单个维度k；
• init：W矩阵和H矩阵的初始化方式，默认为‘nndsvdar’。
二.NMF人脸数据特征提取
目标：已知Olivetti人脸数据共400个，每个数据是64*64大小。由于NMF分解得到的W矩阵相当于从原始矩阵中提取的特征，那么就可以使用NMF对400个人脸数据进行特征提取。
通过设置k的大小，设置提取的特征的数目。在本实验中设置k=6，随后将提取的特征以图像的形式展示出来。
import matplotlib.pyplot as plt from sklearn import decomposition #加载PCA算法包 from sklearn.datasets import fetch_olivetti_faces #加载人脸数据集 from numpy.random import RandomState #加载RandomState用于创建随机种子 n_row,n_col = 2,3 #设置图像展示时的排列情况，2行三列 n_components = n_row = n_col #设置提取的特征的数目 image_shape = (64,64) #设置人脸数据图片的大小 dataset = fetch_olivetti_faces(shuffle=True,random_state=RandomState(0)) faces = dataset.data#加载数据，并打乱顺序 #设置图像的展示方式 def plot_gallery(title,images,n_col=n_col,n_row=n_row): plt.figure(figsize=(2. * n_col,2.26 * n_row))#创建图片，并指定大小 plt.suptitle(title,size=16)#设置标题及字号大小 for i,comp in enumerate(images): plt.subplot(n_row,n_col,i+1)#选择画制的子图 vmax = max(comp.max(),-comp.min()) plt.imshow(comp.reshape(image_shape),cmap=plt.cm.gray,interpolation='nearest',vmin=-vmax,vmax=vmax)#对数值归一化，并以灰度图形式显示 plt.xticks(()) plt.yticks(())#去除子图的坐标轴标签 plt.subplots_adjust(0.01,0.05,0.99,0.93,0.04,0.) #创建特征提取的对象NMF，使用PCA作为对 estimators=[('Eigenfaces - PCA using randomized SVD',decomposition.PCA(n_components=6,whiten=True)),('Non-negative components - NMF',decomposition.NMF(n_components=6,init='nndsvda',tol=5e-3))] #NMF和PCA实例，将它们放在一个列表中 #降维后数据点的可视化 for name,estimators in estimators:#分别调用PCA和NMF estimators.fit(faces)#调用PCA或NMF提取特征 components_=estimators.components_#获取提取特征 plot_gallery(name,components_[:n_components]) #按照固定格式进行排列 plt.show()#可视化
