sklearn.neural_network.BernoulliRB?

class sklearn.neural_network.BernoulliRBM(n_components=256, *, learning_rate=0.1, batch_size=10, n_iter=10, verbose=0, random_state=None)

[源碼]

伯努利限制玻爾茲曼機（RBM）。

具有二值化可見單位和二值化隱藏單位的限制玻爾茲曼機。參數估計使用隨機最大似然（SML），也稱為持久對比散度（PCD）[2]。

這個實現的時間復雜度為O(d ** 2)假定d?n_features?n_components。

在用戶指南中閱讀更多內容。

參數	說明
n_components	int, default=256 二值化隱藏單位數
learning_rate	float, default=0.1 用于權重更新的學習率。強烈建議調優這個超參數。合理值在10 ** [0.，-3.]范圍內。
batch_size	int, default=10 每個小批量的樣本數量。
n_iter	int, default=10 訓練數據集在訓練期間要執行的迭代或掃描次數。
verbose	int, default=0 詳細程度。默認為零，表示靜默模式。
random_state	integer or RandomState, default=None 確定以下各項的隨機數生成： - 從可見層和隱藏層進行吉布斯(Gibbs)采樣。 - 初始化組件，在擬合過程中從層中采樣。 - 在對樣本評分時破壞數據。在多個函數調用之間傳遞一個整數以獲得可重復的結果。請參閱詞匯表。

屬性	說明
intercept_hidden_	array-like, shape (n_components,) 隱藏單位的偏差。
intercept_visible_	array-like, shape (n_features,) 可見單位的偏差。
components_	array-like, shape (n_components, n_features) 權重矩陣，可見單元數中的n_features和n_components是隱藏單元數。
h_samples_	array-like, shape (batch_size, n_components) 隱藏激活是從模型分布中采樣的，其中，每個小批量的示例數中的batch_size和n_components是隱藏單元數。

參考文獻

[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)

方法

方法	說明
`fit`(X[, y])	將模型擬合到數據X。
`fit_transform`(X[, y])	擬合數據，然后對其進行轉換。
`get_params`([deep])	獲取這個估計器的參數
`gibbs`(v)	執行一個吉布斯采樣步驟。
`partial_fit`(X[, y])	將模型擬合到數據X，其中應包含數據的一部分。
`score_samples`(X)	計算X的偽似然。
`set_params`(**params)	為這個估計器設置參數
`transform`(X)	計算隱藏層激活概率P(h = 1/v=X)

__init__(n_components=256, *, learning_rate=0.1, batch_size=10, n_iter=10, verbose=0, random_state=None)

[源碼]

初始化self。詳情可參閱 type（self）的幫助。

fit(X, y=None)

[源碼]

將模型擬合到數據X。

參數	說明
X	{array-like, sparse matrix} of shape (n_samples, n_features) 用于訓練的數據。

返回值	說明
self	BernoulliRBM 擬合的模型。

fit_transform(X, y=None, **fit_params)

[源碼]

擬合數據，然后對其進行轉換。

使用可選參數fit_params將擬合轉換到X和y，并返回X的轉換版本。

參數	說明
X	{array-like, sparse matrix, dataframe} of shape (n_samples, n_features)
y	ndarray of shape (n_samples,), default=None 目標值
**fit_params	dict 其他擬合參數。

返回值	說明
X_new	ndarray array of shape (n_samples, n_features_new) 轉換后的數組。

get_params(deep=True)

[源碼]

獲取這個估計器的參數

參數	說明
deep	bool, default=True 如果為True，則將返回這個估計器的參數和所包含的估計器子對象。

返回值	說明
params	mapping of string to any 參數名映射到其值。

gibbs(v)

[源碼]

執行一個吉布斯采樣步驟。

參數	說明
v	ndarray of shape (n_samples, n_features) 可見層的起始值

返回值	說明
v_new	ndarray of shape (n_samples, n_features) 一個吉布斯步驟后，可見層的值。

partial_fit(X, y=None)

[源碼]

將模型擬合到數據X，其中應包含數據的一部分。

參數	說明
X	ndarray of shape (n_samples, n_features) 用于訓練的數據

返回值	說明
self	BernoulliRBM 擬合的模型

score_samples(X)

[源碼]

計算X的偽似然。

參數	說明
X	{array-like, sparse matrix} of shape (n_samples, n_features) 可見層的值。必須為全布爾值（不檢查）。

返回值	說明
pseudo_likelihood	ndarray of shape (n_samples,) 偽似然的值（似然的代理）。

注

這種方法是不確定的:它計算一個稱為X上的自由能的量，然后計算一個隨機損壞的X版本，并返回差的logistic函數的對數。

set_params(**params)

[源碼]

為這個估計器設置參數

參數	說明
**params	dict 估計器參數

返回值	說明
self	object 估計器實例

transform(X)

[源碼]

計算隱藏層激活概率P(h = 1 | v = X)。

參數	說明
X	{array-like, sparse matrix} of shape (n_samples, n_features) 要轉換的數據。

返回值	說明
h	ndarray of shape (n_samples, n_components) 數據的潛在表示。

sklearn.neural_network.BernoulliRBM使用示例?

用于數字分類的‘受限玻爾茲曼機’功能 ?