用非负矩阵分解来进行特征聚类

近日有项目需求，要对一堆数据进行聚类，并依据聚类结果对原始数据进行自学习，生成类的规则，并以此检测新数据是否符合之前旧数据的模式。简单看来，找到个合适的聚类算法聚个类，然后对数据进行统计融合就可以了，可是有个特殊的问题在于：一般聚类算法中，一条数据是属于一个确定的类别的，但依照本项目的特定需求，一条数据可能是属于多个类的。

对此，一种思路是不直接对数据进行聚类，而是1. 对数据进行特征提取， 2. 依照数据共享的特征多少进行数据类别判定，将某数据划分到一个或者多个类。特征提取可以采用非负矩阵分解，算法思路不再赘述，上代码：

from numpy import *
import random
# 属性矩阵 假定理想分组为　（０１２）（３４５）（６７）　或者（０１２６７）（３４５６７）
l1 = [
    [5,5,0,0],
    [6,6,0,0],
    [7,6,1,0],
    
    [0,1,9,9],
    [1,1,9,9],
    [0,0,5,5],
    
    [9,9,9,9],
    [4,5,6,7],
]
# 单位化
def Unit(aa):
    return_l = []
    for line in aa:
        line_2 = [ x**2 for x in line]
        v = r