使用scikit学习NMF和预计算的基向量集（Python）

我想使用scikit学习NMF（from）（或者任何其他NMF，如果它真的起作用的话）

具体来说，我有一个输入矩阵（这是一个音频幅度谱图），我想对它进行分解

我已经预先计算了W矩阵。如何在

sklearn.decompose.NMF

中使用固定W？我没有发现任何其他问题问这个

我看到该方法在fit参数中也提到了类似的内容：“如果为False，则假定组件被预先计算并存储在transformer中，并且不会更改。”。但是，我不确定如何创建transformer对象。

稍微解释了内部处理

听起来你想修复W。根据代码，你只能修复H，而优化W。这不是问题，因为你可以切换这些矩阵（反转它们的角色）

执行此操作时，代码显示：使用

init='custom'

并设置

update\u h=False

因此，一般来说，我希望用法如下（基于示例）：

未经测试

import numpy as np
X = np.array([[1,1], [2, 1], [3, 1.2], [4, 1], [5, 0.8], [6, 1]])

fixed_W = np.array([[1,1,1],[1,1,1],[1,1,1],[1,1,1],[1,1,1],[1,1,1])  # size=3 just an example
                                                                      # might break
fixed_H = fixed_W.T  # interpret W as H (transpose)

from sklearn.decomposition import NMF
model = NMF(n_components=2, init='custom', H=fixed_H, update_H=False, random_state=0)
model.fit(X) 

您可能希望在再次求解后切换变量

编辑：如评论中所述，上面未测试的代码将无法工作。 我们需要使用更低级的功能来实现这一点

下面是一个快速的技巧（我不太关心正确的预处理；transpose和co），它应该能让你处理你的任务：

import numpy as np
X = np.array([[1,1], [2, 1], [3, 1.2], [4, 1], [5, 0.8], [6, 1]])

fixed_W = np.array([[0.4,0.4],[0.2,0.1]])  # size=2 just an example
fixed_H = fixed_W.T  # interpret W as H (transpose)

from sklearn.decomposition import NMF, non_negative_factorization

W, H, n_iter = non_negative_factorization(X, n_components=2, init='random', random_state=0)
print(W)
print(H)
print('error: ')
print(W.dot(H) - X)  # just a demo, it's not the loss minimized!

W, H, n_iter = non_negative_factorization(X, n_components=2, init='custom', random_state=0, update_H=False, H=fixed_H)
print(W)
print(H)
print('error: ')
print(W.dot(H) - X)

输出：

[[ 0.          0.46880684]
 [ 0.55699523  0.3894146 ]
 [ 1.00331638  0.41925352]
 [ 1.6733999   0.22926926]
 [ 2.34349311  0.03927954]
 [ 2.78981512  0.06911798]]
[[ 2.09783018  0.30560234]
 [ 2.13443044  2.13171694]]
error: 
[[  6.35579822e-04  -6.36528773e-04]
 [ -3.40231372e-04   3.40739354e-04]
 [ -3.45147253e-04   3.45662574e-04]
 [ -1.31898319e-04   1.32095249e-04]
 [  9.00218123e-05  -9.01562192e-05]
 [  8.58722020e-05  -8.60004133e-05]]
[[  3.           0.        ]
 [  5.           0.        ]
 [  4.51221142   2.98707026]
 [  0.04070474   9.95690087]
 [  0.          12.23529412]
 [  0.          14.70588235]]
[[ 0.4  0.2]
 [ 0.4  0.1]]
error: 
[[  2.00000000e-01  -4.00000000e-01]
 [ -2.22044605e-16  -1.11022302e-16]
 [ -2.87327549e-04   1.14931020e-03]
 [ -9.57758497e-04   3.83103399e-03]
 [ -1.05882353e-01   4.23529412e-01]
 [ -1.17647059e-01   4.70588235e-01]]

---

谢谢你的回答。但是，似乎

H=fixed_H

是一个意外的关键字参数。@pk1914您是对的。我们需要使用一些其他可用的功能。看起来很棒！我还应该提到，我还必须转置

X

数组。Sklearn只能求解

X=WH

，同时保持第二个矩阵

H

固定。为了解决这个问题，sascha解决了

X^T=H^T W^T

，使sklearn保持第二个矩阵，现在

W^T

固定，解决

H^T

。非常聪明@pavlos163在使用sklearn.decomposition.non_negative_factorization而不是.NMF时，可以使用H=fixed_H，然后它就可以工作了。