NMFをPipelineに組み込むとなぜエラーが出るのか

Question

NMFをPipelineに組み込むとなぜエラーが出るのでしょうか？

pipe_gbr = Pipeline([('scl', StandardScaler()),
                      ('nmf', NMF(n_conponents=2)),
                      ('clf', GradientBoostingClassifier(random_forest=1))])

とコードを書いたら、エラーが出ました。
他の次元削減の方法なら、上記のように次元削減をPipelineに組み込んでもエラーが出ないのですが。。。

Answer 1

どのようなエラーかは存じ上げませんが、まず貼り付けてあるコードでは、
n_conponents=2
がタイプミスです。
n_components=2

---

次にStandardScalerを使ったということは、ゼロを中心にした分布に変換したということです。
そこで値が負になることもあるでしょう。

それをNMFに突っ込むと、エラーになります。
Non-Negative Matrix Factorizationという名の通り、非負値行列因子分解ですから、負を含む行列を入れるとエラーになるのは致し方ないことといえます。

Comments

[退会済みユーザー]

ありがとうございます。初心者なものですみません、NMFが負の値を行列に持てない理由は何なのでしょうか？

[mkgrei]

https://www.nature.com/articles/44565
有名な論文

https://arxiv.org/pdf/1703.00663.pdf
レビュー論文

以下一部レビュー論文より抜粋
Imposing componentwise nonnegativity on both factors U and V leads to nonnegative matrix factorization (NMF). For example, in document analysis where each column of M corresponds to a document (a vector of word counts), these nonnegativity constraints allow one to interpret the columns of the factor U as topics, and the columns of the factor V indicate in which proportion each document discusses each topic.
数学的には次元圧縮する際に行列に様々な制限をつけることで分解を行います。（分解に一意性がないためです。）
その内の1つが非負性を要求することであり、これによって結果に直感的な解釈を与えることができました。

NMF has a nice geometric interpretation, which is crucial to consider in order to understand the nonuniqueness of the solutions. As discussed subsequently, it also allows one to develop efficient algorithms and is closely related to the extended formulations of polyhedra.
幾何学的な意味を与えられることが重要のようです。

Therefore, the exact NMF problem is equivalent to finding a polytope, conv(U), nested between two given polytopes, conv(M) and the unit simplex ∆p.
正しく理解するためには初等幾何学の知識が必要だと思われます。

とりあえずそれっぽい結果が貼ってあるブログ。
https://abicky.net/2010/03/25/101719/