Scikit学习非负矩阵分解（NMF）为稀疏矩阵

Question

我使用Scikit学习的非负矩阵分解（NMF）对稀疏矩阵，其中零项丢失数据进行NMF。我想知道Scikit-learn的NMF实现是否将零条目视为0或丢失数据。

谢谢！

Answer 1

在您的数据矩阵中，缺失的值可以是0，但不是为一个非常稀疏的矩阵存储一堆零，而是通常会存储一个COO矩阵，其中每行都以CSR格式存储。

如果您正在使用NMF的建议，那么你就可以通过查找W和H，使得W.H约等于X与所有三个矩阵都是非负的条件因子分解数据矩阵X。当你重建这个矩阵X时，一些缺失值（你将存储零点的地方）可能变成非零值，有些可能保持为零。此时，在重构的矩阵中，这些值就是您的预测值。

因此，要回答你的问题，是他们的0或丢失数据的NMF模型？一旦适合的NMF模型将包含您的预测值，所以我将它们计为零。这是一种预测数据中缺失值的方法。