【摘要】：开始选择比较小的值，在运行过程中可根据运行结果再逐步调整参数值。fit_transform：根据文本数据集D，获得NMF模型并返回特征抽取后的文本数据。
1.NMF类
采用Scikit-learn工具中的类NMF实现特征抽取，类NMF描述如下：
（1）参数：
n_components：整型数据，是要抽取的特征数，如果没有指定值，则表明保留所有特征。
init：用于帮助我们选择W和H迭代初值的算法，默认是None，即自动选择值，不使用选择初值的算法。如果我们对收敛速度不满意，才需要关注这个值，从Scikitlearn提供的算法中选择一个合适的初值选取算法。
max_iter：整型数据，指需要计算的最大迭代次数，缺省默认值为200。
alpha：float型数据，正则化参数α，缺省时默认为0。开始选择比较小的值，在运行过程中可根据运行结果再逐步调整参数值。
（2）常用方法：
fit（D[，y]）：根据文本数据集D，获取NMF模型。
fit_transform（D[，y，W，H]）：根据文本数据集D，获得NMF模型并返回特征抽取后的文本数据。(www.xing528.com)
transform（D）：根据已经训练好的NMF模型转换文本数据集D。
2.基于NMF的文本特征抽取
NMF的运行结果说明：
（1）原始文档-特征矩阵X：
（2）基矩阵A：
（3）系数矩阵S：
（4）主题：
（5）评价：
（6）为了验证分解效果，可还原原始矩阵，还原结果如下：
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
