قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
تحليل المصفوفات غير السالبة
خوارزمية تفكيك المصفوفة التي تفكك مصفوفة V إلى مصفوفتين غير سالبتين W و H بحيث V ≈ WH. هذه القيد من عدم السماح بالقيم السالبة يتيح تفسيرًا مضافًا للمكونات، مما يجعل النتائج أسهل في التفسير.
مصفوفة القاعدة
مصفوفة W في تحليل المصفوفات غير السالبة (V ≈ WH) التي تحتوي على متجهات القاعدة أو النماذج الأولية التي تمثل الخصائص الأساسية المستخرجة من البيانات الأصلية. كل عمود في هذه المصفوفة يلتقط نمطًا أو خاصية كامنة موجودة في البيانات.
مصفوفة المعاملات
مصفوفة H في تحليل المصفوفات غير السالبة (V ≈ WH) التي تحتوي على الأوزان أو معاملات التنشيط التي تشير إلى كيفية مساهمة كل خاصية أساسية في إعادة بناء البيانات الأصلية. هذه المعاملات تتيح تمثيل كل عينة كمجموعة مضافة من الخصائص الأساسية.
خوارزمية التحديث المضاعف
خوارزمية تحسين تكرارية خاصة بتحليل المصفوفات غير السالبة تقوم بتحديث المصفوفات W و H باستخدام قواعد تحديث مضاعفة تضمن عدم السماح بالقيم السالبة. هذه الخوارزمية تقلل المصفوفات W و H بالتبادل مع الحفاظ على عناصرها غير سالبة.
تكلفة إعادة البناء
مقياس كمي للخطأ بين المصفوفة الأصلية V وتحليلها إلى WH، يتم حسابه عادةً على أنه مسافة فروبينيوس أو تباعد KL. هذا المقياس يوجه عملية التحسين ويقيم جودة التحليل الذي تم الحصول عليه.
الخصائص الكامنة
مكونات أساسية غير ملاحظة يكتشفها تحليل المصفوفات غير السالبة من البيانات الخام، وتمثل أنماطًا أو هياكل جوهرية. هذه الخصائص تظهر بشكل طبيعي من التحليل وتكشف عن علاقات مخفية في البيانات.
التفرق
خاصية مرغوب فيها في تحليل المصفوفات غير السالبة حيث معظم عناصر المصفوفات W أو H تكون صفرًا أو قريبة من الصفر، مما يعزز تمثيلات أكثر قابلية للتفسير. قيد التفرق يساعد في عزل الخصائص الأكثر صلة وتقليل التكرار.
تحليل المصفوفات غير السالبة المتعامد
متغير من تحليل المصفوفات غير السالبة يفرض قيد التعامد على مصفوفة المعاملات H، مما يعزز تقسيمًا واضحًا للبيانات إلى مجموعات مميزة. هذا النهج يحسن فصل الخصائص ويسهل تفسير النتائج في مهام التجميع.
NMF المتفرق
امتداد لـ NMF يدمج قيود إضافية للتفرق على المصفوفات W أو H للحصول على تمثيلات أكثر إيجازًا. هذه الطريقة فعالة بشكل خاص لاختيار الخصائص وتحديد المكونات الأكثر أهمية.
NMF المحدب
متغير من NMF حيث يتم تقييد متجهات القاعدة لتكون مزيجًا محدبًا من العينات الأصلية، مما يحسن قابلية تفسير النتائج. هذا النهج يضمن أن كل خاصية مكتشفة يمكن التعبير عنها كمتوسط مرجح لبيانات الإدخال.
التكرارات المتناوبة
استراتيجية تحسين في NMF حيث يتم تحديث المصفوفات W و H بالتبادل، واحدة ثابتة بينما يتم تحسين الأخرى. هذا النهج يضمن التقارب إلى حل محلي مثالي مع الحفاظ على قيود عدم السلبية.
التقارب المحلي
خاصية خوارزميات NMF التي تتقارب إلى أقصى محلي وليس عالمي بسبب عدم تحدب المشكلة. يعتمد جودة الحل النهائي غالبًا على التهيئة وقد يتطلب عدة عمليات تشغيل للعثور على أفضل تحلل.
التهيئة العشوائية
طريقة شائعة لبدء خوارزمية NMF عن طريق تهيئة المصفوفات W و H عشوائيًا بقيم غير سالبة. تؤثر التهيئة بشكل كبير على التقارب وجودة الحل النهائي الذي تم الحصول عليه بعد التحسين.
NMF للتصنيف
تطبيق NMF كتقنية لتقليل الأبعاد حيث تُستخدم معاملات المصفوفة H كخصائص لخوارزميات التصنيف. يحسن هذا النهج أداء التصنيف غالبًا عن طريق توفير تمثيلات أكثر تمييزًا.
NMF للتجميع
استخدام NMF لاكتشاف هيكل تجميع طبيعي في البيانات من خلال تفسير معاملات المصفوفة H كانتماءات للمجموعات. يتم تعيين كل عينة إلى المجموعة المقابلة للمعامل الأقصى في تمثيلها.
NMF الاحتمالي
إطار احتمالي لـ NMF ينمذج البيانات مع توزيعات إحصائية مثل بواسون أو غاوس، مقدمة تفسير بايزي للتحليل. يسمح هذا النهج بدمج المعرفة المسبقة وتكميم عدم اليقين في التقديرات.
NMF منظمة
امتداد لـ NMF يشتمل على شروط تنظيم في دالة الهدف للتحكم في تعقيد النموذج وتجنب فرط التدريب. يمكن للتنظيم أن يفرض قيود التشتت والتنعيم أو خصائص مرغوبة أخرى على المصفوفات المُحلَّلة.