NMF python

NMF是非负矩阵分解（Non-Negative Matrix Factorization）的缩写，它是一种常用的矩阵分解技术，用于降低数据维度和特征提取。在Python中，我们可以使用scikit-learn库来实现NMF。

以下是一个使用Python中scikit-learn库实现NMF的示例代码：

from sklearn.decomposition import NMF
import numpy as np

# 构造一个随机矩阵作为输入数据
X = np.random.rand(100, 50)

# 创建NMF模型并指定要分解的特征数
n_components = 10
model = NMF(n_components=n_components)

# 使用NMF进行矩阵分解
W = model.fit_transform(X)  # 得到表示样本在新特征空间中的表示
H = model.components_  # 得到新特征空间中的基

# 打印分解结果
print("原始矩阵 X：")
print(X)
print("\n分解得到的 W：")
print(W)
print("\n分解得到的 H：")
print(H)

在上面的示例中，我们首先创建了一个随机矩阵X作为输入数据，然后创建了一个NMF模型并指定要分解的特征数。接下来，我们使用`fit_transform`函数对输入数据进行矩阵分解，并使用`components_`属性获取分解后的新特征空间和基。最后，我们打印出分解结果。

希望这个例子能帮助你理解如何在Python中使用scikit-learn库实现NMF。如果你有更多关于NMF或其他机器学习方面的问题，请随时提问。