伯努利RBM#
- 类 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)。
一种具有二值可见单元和二值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，也称为持久对比散度 (PCD) [2]。
此实现的时间复杂度为
O(d ** 2)，假设 d ~ n_features ~ n_components。在用户指南中阅读更多内容。
- 参数:
- n_componentsint, 默认值=256
二值隐藏单元的数量。
- learning_ratefloat, 默认值=0.1
权重更新的学习率。强烈建议调整此超参数。合理值范围为 10**[0., -3.]。
- batch_sizeint, 默认值=10
每个小批量样本的数量。
- n_iterint, 默认值=10
训练期间在训练数据集上执行的迭代/扫描次数。
- verboseint, 默认值=0
详细级别。默认值零表示静默模式。取值范围为 [0, inf]。
- random_stateint, RandomState 实例或 None, 默认值=None
确定随机数生成用于
从可见层和隐藏层进行吉布斯采样。
初始化组件，拟合期间从层进行采样。
在对样本评分时损坏数据。
传入一个整数可在多次函数调用中获得可重现的结果。参见词汇表。
- 属性:
- intercept_hidden_形状为 (n_components,) 的类数组对象
隐藏单元的偏置。
- intercept_visible_形状为 (n_features,) 的类数组对象
可见单元的偏置。
- components_形状为 (n_components, n_features) 的类数组对象
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) 的类数组对象
从模型分布中采样的隐藏激活，其中
batch_size是每个小批量的样本数量，n_components是隐藏单元的数量。- n_features_in_int
在fit期间看到的特征数量。
0.24 版本新增。
- feature_names_in_形状为 (
n_features_in_,) 的 ndarray 在fit期间看到的特征名称。仅当
X的所有特征名称均为字符串时才定义。1.0 版本新增。
另请参阅
sklearn.neural_network.MLPRegressor多层感知机回归器。
sklearn.neural_network.MLPClassifier多层感知机分类器。
sklearn.decomposition.PCA一种无监督线性降维模型。
参考文献
- [1] Hinton, G. E., Osindero, S. 和 Teh, Y. 深度信念网络的快速学习算法。
Neural Computation 18, pp 1527-1554. https://www.cs.toronto.edu/~hinton/absps/fastnc.pdf
- [2] Tieleman, T. 使用似然梯度近似训练受限玻尔兹曼机。
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{类数组对象, 稀疏矩阵} 形状为 (n_samples, n_features)
训练数据。
- y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组对象, 默认值=None
目标值（无监督转换时为 None）。
- 返回:
- selfBernoulliRBM
拟合后的模型。
- fit_transform(X, y=None, **fit_params)[source]#
拟合数据，然后进行转换。
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) 的类数组对象
输入样本。
- y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组对象, 默认值=None
目标值（无监督转换时为 None）。
- **fit_paramsdict
额外的拟合参数。
- 返回:
- X_new形状为 (n_samples, n_features_new) 的 ndarray
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。
输出特征名称将以小写类名前缀。例如，如果转换器输出 3 个特征，则输出特征名称为：
["class_name0", "class_name1", "class_name2"]。- 参数:
- input_featuresstr 或 None 的类数组对象, 默认值=None
仅用于验证特征名称与
fit中看到的名称是否一致。
- 返回:
- feature_names_outstr 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。
请查阅用户指南以了解路由机制的工作原理。
- 返回:
- routingMetadataRequest
封装路由信息的
MetadataRequest。
- get_params(deep=True)[source]#
获取此估计器的参数。
- 参数:
- deepbool, 默认值=True
如果为 True，将返回此估计器及其包含的作为估计器的子对象的参数。
- 返回:
- paramsdict
参数名称及其对应的值。
- gibbs(v)[source]#
执行一次吉布斯采样步骤。
- 参数:
- v形状为 (n_samples, n_features) 的 ndarray
可见层开始的值。
- 返回:
- v_new形状为 (n_samples, n_features) 的 ndarray
经过一次吉布斯步骤后可见层的值。
- partial_fit(X, y=None)[source]#
将模型拟合到数据 X 的部分段。
- 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) 的类数组对象, 默认值=None
目标值（无监督转换时为 None）。
- 返回:
- selfBernoulliRBM
拟合后的模型。
- score_samples(X)[source]#
计算 X 的伪似然。
- 参数:
- X{类数组对象, 稀疏矩阵} 形状为 (n_samples, n_features)
可见层的值。必须全部为布尔值（未检查）。
- 返回:
- pseudo_likelihood形状为 (n_samples,) 的 ndarray
伪似然值（似然的近似）。
注意
此方法不具有确定性：它计算 X 上的自由能，然后在随机损坏的 X 版本上计算，并返回差异的逻辑函数对数。
- set_output(*, transform=None)[source]#
设置输出容器。
有关如何使用此 API 的示例，请参见set_output API 简介。
- 参数:
- transform{“default”, “pandas”, “polars”}, 默认值=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: 转换配置未改变
1.4 版本新增: 添加了
"polars"选项。
- 返回:
- self估计器实例
估计器实例。
