BernoulliRBM#

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)。

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)，也称为持久对比度散度 (PCD) [2] 进行估计。

假设 d ~ n_features ~ n_components，此实现的 time complexity 为 O(d ** 2)。

在 用户指南 中阅读更多内容。

参数:
n_componentsint, default=256

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

每个小批量中的样本数量。

n_iterint, default=10

在训练期间对训练数据集执行的迭代/扫描次数。

verboseint, default=0

详细程度级别。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

确定用于

  • 从可见层和隐藏层进行吉布斯采样。

  • 初始化组件，在拟合期间从层采样。

  • 在评分样本时破坏数据。

传入一个整数，以便在多次函数调用中获得可重现的结果。请参阅 词汇表。

属性:
intercept_hidden_array-like of shape (n_components,)

隐藏单元的偏差。

intercept_visible_array-like of shape (n_features,)

可见单元的偏差。

components_array-like of shape (n_components, n_features)

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_array-like of shape (batch_size, n_components)

从模型分布中采样的隐藏激活，其中 batch_size 是每个小批量中的样本数量，n_components 是隐藏单元的数量。

n_features_in_int

在 拟合 期间看到的特征数。

0.24 版本新增。

feature_names_in_shape 为 (n_features_in_,) 的 ndarray

在 fit 期间看到的特征名称。仅当 X 具有全部为字符串的特征名称时才定义。

1.0 版本新增。

另请参阅

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

一个无监督的线性降维模型。

References

[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，请参阅 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:
Xshape 为 (n_samples, n_features) 的 {array-like, sparse matrix}

训练数据。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组对象，默认=None

目标值（对于无监督转换，为 None）。

返回:
selfBernoulliRBM

拟合后的模型。

fit_transform(X, y=None, **fit_params)[source]#

拟合数据，然后对其进行转换。

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:
Xshape 为 (n_samples, n_features) 的 array-like

输入样本。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组对象，默认=None

目标值（对于无监督转换，为 None）。

**fit_paramsdict

额外的拟合参数。仅当估计器在其 fit 方法中接受额外的参数时才传递。

返回:
X_newndarray array of shape (n_samples, n_features_new)

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。

The feature names out will prefixed by the lowercased class name. For example, if the transformer outputs 3 features, then the feature names out are: ["class_name0", "class_name1", "class_name2"].

参数:
input_featuresarray-like of str or None, default=None

Only used to validate feature names with the names seen in fit.

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，了解路由机制如何工作。

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, default=True

如果为 True，将返回此估计器以及包含的子对象（如果它们是估计器）的参数。

返回:
paramsdict

参数名称映射到其值。

gibbs(v)[source]#

执行一次吉布斯采样步骤。

参数:
vndarray of shape (n_samples, n_features)

用于开始可见层的值。

返回:
v_newndarray of shape (n_samples, n_features)

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:
Xndarray of shape (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=None

目标值（对于无监督转换，为 None）。

返回:
selfBernoulliRBM

拟合后的模型。

score_samples(X)[source]#

计算 X 的伪似然。

参数:
Xshape 为 (n_samples, n_features) 的 {array-like, sparse matrix}

可见层的值。必须全部为布尔值 (未检查)。

返回:
pseudo_likelihoodndarray of shape (n_samples,)

伪似然值 (似然的代理)。

注意事项

此方法不是确定性的：它计算 X 上的一个称为自由能的数量，然后计算 X 的随机损坏版本的自由能，并返回两者的差值的 logistic 函数的对数。

set_output(*, transform=None)[source]#

设置输出容器。

有关如何使用 API 的示例，请参阅引入 set_output API。

参数:
transform{“default”, “pandas”, “polars”}, default=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

1.4 版本新增: 添加了 "polars" 选项。

返回:
selfestimator instance

估计器实例。

set_params(**params)[source]#

设置此估计器的参数。

此方法适用于简单的估计器以及嵌套对象（如 Pipeline）。后者具有 <component>__<parameter> 形式的参数，以便可以更新嵌套对象的每个组件。

参数:
**paramsdict

估计器参数。

返回:
selfestimator instance

估计器实例。

transform(X)[source]#

计算隐藏层激活概率，P(h=1|v=X)。

参数:
Xshape 为 (n_samples, n_features) 的 {array-like, sparse matrix}

要转换的数据。

返回:
hndarray of shape (n_samples, n_components)

数据的潜在表示。