伯努利受限玻尔兹曼机#
- class sklearn.neural_network.BernoulliRBM(n_components=256, *, learning_rate=0.1, batch_size=10, n_iter=10, verbose=0, random_state=None)[source]#
伯努利受限玻尔兹曼机 (RBM)。
一种具有二元可见单元和二元隐藏单元的受限玻尔兹曼机。参数使用随机最大似然 (SML) 估计，也称为持续对比散度 (PCD) [2]。
此实现的时间复杂度为
O(d ** 2)，假设 d ~ n_features ~ n_components。更多信息请参阅 用户指南。
- 参数：
- n_componentsint, default=256
二元隐藏单元的数量。
- learning_ratefloat, default=0.1
权重更新的学习率。强烈建议调整此超参数。合理的值在 10**[0., -3.] 范围内。
- batch_sizeint, default=10
每个小批次的样本数量。
- n_iterint, default=10
训练期间对训练数据集执行的迭代/扫描次数。
- verboseint, default=0
详细程度。默认值零表示静默模式。值的范围是 [0, inf]。
- random_stateint, RandomState instance or None, default=None
决定随机数生成：
从可见层和隐藏层进行吉布斯采样。
初始化组件，在拟合过程中从层中采样。
在对样本评分时破坏数据。
传入一个整数，以便在多次函数调用中获得可重复的结果。参见 词汇表。
- 属性:
- intercept_hidden_形状为 (n_components,) 的数组
隐藏单元的偏差。
- intercept_visible_形状为 (n_features,) 的数组
可见单元的偏差。
- components_形状为 (n_components, n_features) 的数组
权重矩阵，其中
n_features是可见单元的数量，n_components是隐藏单元的数量。- h_samples_形状为 (batch_size, n_components) 的数组
从模型分布中采样的隐藏激活，其中
batch_size是每个小批次中的示例数量，n_components是隐藏单元的数量。- n_features_in_整数
在 拟合 过程中看到的特征数量。
在 0.24 版本中添加。
- feature_names_in_形状为 (
n_features_in_,) 的ndarray 在 拟合 过程中看到的特征名称。只有当
X的特征名称全部为字符串时才定义。在 1.0 版本中添加。
另见
sklearn.neural_network.MLPRegressor多层感知器回归器。
sklearn.neural_network.MLPClassifier多层感知器分类器。
sklearn.decomposition.PCA一种无监督的线性降维模型。
参考文献
- [1] Hinton, G. E., Osindero, S. and Teh, Y. A fast learning algorithm for
deep belief nets. Neural Computation 18, pp 1527-1554. https://www.cs.toronto.edu/~hinton/absps/fastnc.pdf
- [2] Tieleman, T. Training Restricted Boltzmann Machines using
Approximations to the Likelihood Gradient. International Conference on Machine Learning (ICML) 2008
示例
>>> import numpy as np >>> from sklearn.neural_network import BernoulliRBM >>> X = np.array([[0, 0, 0], [0, 1, 1], [1, 0, 1], [1, 1, 1]]) >>> model = BernoulliRBM(n_components=2) >>> model.fit(X) BernoulliRBM(n_components=2)
有关更详细的示例用法，请参见 用于数字分类的受限玻尔兹曼机特征。
- fit(X, y=None)[source]#
将模型拟合到数据 X。
- 参数：
- X形状为 (n_samples, n_features) 的{数组、稀疏矩阵}
训练数据。
- y形状为 (n_samples,) 或 (n_samples, n_outputs) 的数组，默认为 None
目标值（对于无监督转换则为 None）。
- 返回:
- selfBernoulliRBM
拟合后的模型。
- fit_transform(X, y=None, **fit_params)[source]#
拟合数据，然后转换数据。
使用可选参数
fit_params将转换器拟合到X和y，并返回X的转换版本。- 参数：
- X形状为 (n_samples, n_features) 的数组
输入样本。
- y形状为 (n_samples,) 或 (n_samples, n_outputs) 的数组，默认为 None
目标值（对于无监督转换则为 None）。
- **fit_params字典
附加的拟合参数。
- 返回:
- X_new形状为 (n_samples, n_features_new) 的ndarray 数组
转换后的数组。
- get_feature_names_out(input_features=None)[source]#
获取转换的输出特征名称。
输出的特征名称将以小写的类名作为前缀。例如，如果转换器输出 3 个特征，则输出的特征名称为：
["class_name0", "class_name1", "class_name2"]。- 参数：
- input_features字符串数组或 None，默认为 None
仅用于使用在
fit中看到的名称验证特征名称。
- 返回:
- feature_names_out字符串对象的ndarray
转换后的特征名称。
- get_metadata_routing()[source]#
获取此对象的元数据路由。
请查看 用户指南，了解路由机制的工作原理。
- 返回:
- routingMetadataRequest
一个
MetadataRequest封装了路由信息。
- get_params(deep=True)[source]#
获取此估计器的参数。
- 参数：
- deepbool，默认为True
如果为 True，则将返回此估计器及其包含的子对象（也是估计器）的参数。
- 返回:
- paramsdict
参数名称与其值的映射。
- gibbs(v)[source]#
执行一步吉布斯采样。
- 参数：
- v形状为 (n_samples, n_features) 的 ndarray
可见层起始值。
- 返回:
- v_new形状为 (n_samples, n_features) 的 ndarray
经过一步吉布斯采样后可见层的取值。
- partial_fit(X, y=None)[source]#
将模型拟合到数据 X 的部分片段。
- 参数：
- X形状为 (n_samples, n_features) 的 ndarray
训练数据。
- y形状为 (n_samples,) 或 (n_samples, n_outputs) 的数组，默认为 None
目标值（对于无监督转换则为 None）。
- 返回:
- selfBernoulliRBM
拟合后的模型。
- score_samples(X)[source]#
计算 X 的伪似然。
- 参数：
- X形状为 (n_samples, n_features) 的{数组、稀疏矩阵}
可见层的取值。必须全是布尔值（未检查）。
- 返回:
- pseudo_likelihood形状为 (n_samples,) 的 ndarray
伪似然的值（似然的近似值）。
备注
此方法不是确定性的：它计算 X 上的自由能，然后计算 X 的随机损坏版本上的自由能，并返回差异的逻辑函数的对数。
- set_output(*, transform=None)[source]#
设置输出容器。
有关如何使用此 API 的示例，请参阅 介绍 set_output API。
- 参数：
- transform{"default", "pandas", "polars"}，默认为 None
配置
transform和fit_transform的输出。"default"：转换器的默认输出格式"pandas"：DataFrame 输出"polars"：Polars 输出None：转换配置保持不变
版本 1.4 中新增：
"polars"选项已添加。
- 返回:
- self估计器实例
估计器实例。
