这种方法的一个主要问题是，如果将图像表示为像素强度向量，则平移不变性为零。两张完全相同但移动了 10 像素以上的图片可能看起来像不同的向量。这就是为什么人们尝试使用其他处理翻译的方法，如卷积神经网络或SIFT 特征。

NMF 不是分类器——它是一种转换（或者，更具体地说，是一种分解）。我们有$V \sim W H$, 其中（取决于你的观点）每一列$H$对应于一些“原始图像”，每一行$W$对应于相应行的金额$V$由每个图像组成。

我可能建议的一种方法（这不是唯一的方法）是获取您的低维数据$W$并在此基础上使用其他一些分类方法。从这个角度来看，不需要基向量$H$; 你只用$W$. 所以这就像将 NMF 视为一些开箱即用分类器之前的预处理降维步骤。这里的一个优势是您的分解等级通常远低于您的原始维度，这可以（除其他外）减少必要的训练时间。

NMF 和 PCA 非常相似，因此两者都将矩阵 M 分解为 WH。但是，使用 NMF，您有 M、W 和 H 都是非负的约束。在 PCA 中，您可以将 W 和 H 视为系数和特征脸，然后继续使用这些系数进行面部识别。在 NMF 中，W 和 H 是系数和面部轮廓（即面部的一部分）。然后，您继续以与使用 PCA 相同的方式使用这些系数进行面部识别。