Nieujemna faktoryzacja macierzy w Sklearn

Question

Stosuję nieujemną macierzarię macierzy (NMF) na dużej macierzy. Zasadniczo metoda NMF wykonuje następujące czynności: biorąc pod uwagę m-n macierzy A, NMF rozkłada się do A = WH, gdzie W jest m przez d, a H - przez n. Metoda ProjectedGradientNMF jest zaimplementowana w pakiecie Pleqona Sklearn. Chciałbym, aby algorytm zwrócił zarówno W, jak i H. Ale wydaje się, że zwraca tylko H, a nie W. Zastosowanie algorytmu ponownie do AT (transpozycja) może dać mi W. Jednak chciałbym uniknąć obliczenia go dwa razy, ponieważ matrix ix bardzo duży.

Jeśli mógłbyś mi powiedzieć, jak uzyskać jednocześnie W i H, byłoby wspaniale! Poniżej jest mój kod:

from sklearn.decomposition import ProjectedGradientNMF 
import numpy 
A = numpy.random.uniform(size = [40, 30]) 
nmf_model = ProjectedGradientNMF(n_components = 5, init='random', random_state=0) 
nmf_model.fit(A) 
H = nmf_model.components_.T 

Answer 1

szczęście można przejrzeć kod źródłowy:
https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/decomposition/nmf.py

fit_transform() zaczyna się na linii 460, a na linii 530 pokazuje, że H zostanie dołączony do components_ i W jest zwracana z funkcji.

Więc nie powinno się uruchomić to dwukrotnie, należy po prostu zmienić:

nmf_model.fit(A); 
H = nmf_model.components_.T; 

do

W = nmf_model.fit_transform(A); 
H = nmf_model.components_;