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]]