基于块梯度下降的pac-bayesian方法实现nmf
PACbayesianNMF的Python项目详细描述
################################# README.txt############################################### #项目名称：pacbayesiannmf
#目的：非负矩阵pac-bayesian方法的实现
#因子分解，用于块梯度下降。
#作者：阿斯塔·古普塔
#本杰明·盖德，benjamin.guedj@inria.fr>；
#参考：来源：https://arxiv.org/abs/1601.01345
#P.Alquier和B.Guedj（2016年）。“一个尖锐的甲骨文不等式
#对于贝叶斯非负矩阵分解，arxiv预印本。
#有关
#实现的算法。
#许可证：GPLv3
#重要文件和功能列表
# #################################################################################
#“.pacbayesiannmfBlockGradientDescent.py”
#包含名为blockGradientDescent的类
#->；set datamatrix（self，datamatrix）：设置datamatrix的函数
#->；setnoofpatterns（self，k）：设置要查找的模式数的函数
#->；设置条件步骤（自我，炮制步骤=1e-2，
#在步骤u=1e-3内的条件u上，
< p>＞条件→步骤→v＝1E-3）：设置块的退出条件#梯度下降
#->；设置外部步骤的条件（自身，调制步骤=1e-2）：
#设置最外部步骤的值，将紫外线最小化
#->；在destepu中设置条件（self，条件在步骤u=1e-3中）：
#为U最小化的内循环设置值
#->；在destepv中设置条件（self，condition on在步骤v=1e-3内）：
#为v最小化的内部循环设置值
#
#->；def applyblockGradientDescent（self，b=1e6，lmbd=（float（1）/4）*100，
#pas=1e-3，printflag=0）：
#这是应用BlockGradientDescent的主要功能
#b用于通知稀疏性
#lmbd是算法的lambda
#pas是用于计算新u和v的算法中的常数
# ##################################################################################
#用法：导入包，创建一个2d数据矩阵，其中每一行作为具有值的数据点
#介于0到1之间。创建一个参数为datamatrix和
#指定不检测模式的整数。使用设置其他参数
#设置*（）方法。最后要应用块梯度下降，请使用
#applyBlockGradientDescent（）方法
#
#从pacbayesiannmf导入*
#z=块梯度下降（数据矩阵，2）
#z.设置条件步骤（1e-4、1e-6、1e-6）
#（u，v，crit，out）=z.applyBlockGradientDescent（printFlag=1）
#
#最重要的输出是v，它包含信号。每列v
#crit以数组的形式给出每个步骤中实际数据矩阵和估计的uv之间的距离
#out是一个值列表每个步骤包含不同的变量，有助于调试
################################## END#####################################################
欢迎加入QQ群-->： 979659372
