La NMF apprend des parties interprétables

Unsupervised Learning in Python

Benjamin Wilson

Director of Research at lateral.io

Exemple : la NMF apprend des parties interprétables

Tableau des fréquences de mots dans des articles

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_

une ligne de nmf.components_ sélectionnée et un diagramme à barres pour chaque mot où la hauteur représente le tf-idf

encadré avec mots principaux et valeurs : species 2.95, plant 1.05, plants 0.78, etc.

nouvel encadré avec mots principaux d'une autre ligne de nmf.components_ : university 3.57, prof 1.19, college 0.88, etc.

Pour les documents :
- Les composantes NMF représentent des sujets
- Les caractéristiques NMF combinent des sujets en documents
Pour les images, les composantes NMF sont des parties d'images

boîte avec 3 bandes ≈ 0,98 × boîte avec une bande + 0,91 × boîte avec une autre bande + 0,95 × boîte avec une autre bande

rectangle 2 par 3 de pixels avec divers degrés de blanc/noir/gris

illustration pixellisée de la lune avec flèche pointant vers un tableau de nombres de mêmes dimensions, entre 0 et 1

boîte de 2 par 3 pixels pointant vers un tableau de nombres

boîte 2 par 3 pixels pointant vers un tableau 2 par 3 de nombres pointant vers un tableau 1 par 6 de nombres

Une ligne de nmf.components_ qui représente l'image 2×3 pixels

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()

Unsupervised Learning in Python