Negatif Olmayan Matris Çarpanlarına Ayırma (NMF)

Negatif Olmayan Matris Çarpanlarına Ayırma (NMF), negatif olmayan bir matrisi negatif olmayan iki faktöre ayırmak için kullanılan popüler bir makine öğrenimi algoritmasıdır. Faktörler genellikle farklı boyutlardadır ve biri orijinal matrisin yaklaşımını temsil ederken diğeri negatif olmayan bileşenleri temsil eder. NMF, kümeleme, metrik öğrenme ve konu modelleme gibi görevler için kullanılabilecek verilerdeki kalıpları tanımlamak için kullanılabilir.

NMF ilk olarak Paatero ve Tapper (1994) tarafından önerilmiştir ve o zamandan beri yorumlanabilir özellikler üretme yeteneği ve gürültüye karşı sağlamlığı nedeniyle makine öğreniminde popüler bir teknik haline gelmiştir. Diğer matris çarpanlarına ayırma yöntemleriyle karşılaştırıldığında NMF, modelin karmaşıklığını kontrol etmeye yardımcı olan ve öğrenmenin sapmasını önleyen negatif olmama kısıtlaması nedeniyle aşırı uyuma karşı daha dirençlidir.

NMF, görüntü denoising ve yüz tanımlama için bilgisayarla görme, belge kümeleme ve arama sorguları için doğal dil işleme ve gen kümeleri ve protein yapı analizi için biyoinformatik dahil olmak üzere çeşitli bilgisayar uygulamalarına uygulanmıştır. Ayrıca NMF, sinyal işleme ve sistem tanımlama gibi mühendislik uygulamalarında da kullanılmıştır.

Bu teknik, eksik değerlere sahip karmaşık veri kümelerini işleme, verilerden anlamlı özellikler çıkarma ve son derece yorumlanabilir sonuçlar üretme yeteneği de dahil olmak üzere diğer yöntemlere göre çeşitli avantajlara sahiptir. Başarısına rağmen, NMF'nin verilerdeki karmaşık yapıları doğru bir şekilde yakalayamaması ve girdi verilerinin negatif olmaması gerekliliği gibi bazı sınırlamaları vardır.

NMF, tavsiye sistemleri ve müşteri segmentasyonu gibi veri odaklı uygulamalar için popüler bir araç haline gelmiştir. Bu teknik, daha önce erişilemeyen verilerden bilgi ortaya çıkarmak için güçlü bir araçtır ve karmaşıklığı azaltmak ve veri içindeki kalıpları ve ilişkileri ortaya çıkarmak için birçok uygulama türünde kullanılabilir.