NMF uczy się interpretowalnych części

Uczenie nienadzorowane w Pythonie

Benjamin Wilson

Director of Research at lateral.io

Przykład: NMF uczy się interpretowalnych części

Tablica częstości słów w artykułach

print(articles.shape)

(20000, 800)

from sklearn.decomposition import NMF
nmf = NMF(n_components=10)
nmf.fit(articles)

NMF(n_components=10)

print(nmf.components_.shape)

(10, 800)

nmf.components_

wybrany jeden wiersz nmf.components_ i wykres słupkowy dla każdego słowa, gdzie wysokość odpowiada tf-idf

pole z najważniejszymi słowami i wartościami: species 2.95, plant 1.05, plants 0.78, itd.

nowe pole z najważniejszymi słowami z innego wiersza nmf.components_: university 3.57, prof 1.19, college 0.88, itd.

Dla dokumentów:
- Komponenty NMF reprezentują tematy
- Cechy NMF łączą tematy w dokumenty
Dla obrazów komponenty NMF to części obrazów

pole z 3 paskami ≈ 0,98 × pole z jednym paskiem + 0,91 × pole z innym paskiem + 0,95 × pole z innym paskiem

prostokąt 2×3 pikseli o różnych odcieniach bieli/czerni/szarości

pikselowa ilustracja Księżyca ze strzałką wskazującą tablicę liczb o tych samych wymiarach, zawierającą wartości od 0 do 1

pole 2×3 pikseli ze strzałką wskazującą tablicę liczb

pole 2×3 pikseli ze strzałką wskazującą tablicę 2×3 liczb, a następnie tablicę 1×6 liczb

Jeden wiersz nmf.components_ reprezentujący obraz 2×3 piksele

print(sample)

[ 0.   1.   0.5  1.   0.   1. ]

bitmap = sample.reshape((2, 3))
print(bitmap)

[[ 0.   1.   0.5]
 [ 1.   0.   1. ]]

from matplotlib import pyplot as plt
plt.imshow(bitmap, cmap='gray', interpolation='nearest')
plt.show()

Uczenie nienadzorowane w Pythonie