Использование scikit-learn NMF с предварительно вычисленным набором базовых векторов (Python)

Я хочу использовать scikit-learn NMF (от здесь) (или любой другой NMF, если он действительно выполняет работу).

В частности, у меня есть входная матрица (которая является спектрограммой звуковой величины), и я хочу ее разложить.

У меня уже есть W-матрица, предварительно вычисленная. Как использовать фиксированный W в sklearn.decompose.NMF? Я не нашел другого вопроса, спрашивающего об этом.

Я вижу, что этот метод также упоминает что-то подобное в параметре fit: "Если False, предполагается, что компоненты предварительно вычислены и сохранены в трансформаторе и не меняются". Однако я не уверен, как сделать этот объект трансформатора.

ОТВЕТЫ

Ответ 1

Эта часть кода немного объясняет внутреннюю обработку.

Похоже, вы хотите исправить W. Согласно коду, вы можете исправить H только при оптимизации W. Это не проблема, так как вы можете просто переключить эти матрицы (инвертировать их роли).

Выполняя это, код говорит: используйте init='custom' и установите update_h=False.

В общем, я бы ожидал, что использование будет выглядеть (на примере здесь):

Непроверено!

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)

Вероятно, вы захотите переключить свои переменные после повторного решения.

Изменить: Как указано в комментариях, непроверенный код выше не будет работать. Для этого нам нужно использовать более низкоуровневую функцию.

Вот быстрый взлом (где мне не все равно о правильной предварительной обработке, транспонировании и совместной работе), что должно помочь вам решить вашу задачу:

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 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)

Вывод:

[[ 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]]