BernoulliRBM#

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

Bernoulli Restricted Boltzmann Machine (RBM).

具有二进制可见单位和二进制隐藏单位的受限波尔兹曼机。使用随机最大似然度（SML）（也称为持续对比分歧（PD））来估计参数 [2] .

此实现的时间复杂性是 O(d ** 2) 假设d ~ n_features ~ n_components。

阅读更多的 User Guide .

参数:

n_componentsint，默认=256

二进制隐藏单元的数量。

learning_ratefloat，默认=0.1

体重更新的学习率。是 highly 建议调整此超参数。合理的价值观在10** 中 [0., -3.] 范围

batch_sizeint，默认值=10

Number of examples per minibatch.

n_iterint，默认值=10

在训练期间要在训练数据集上执行的迭代/扫描次数。

verboseint，默认=0

冗长程度。默认值零表示静音模式。个数值范围 [0, inf] .

random_stateint，RandomState实例或无，默认=无

确定随机数生成：

吉布斯从可见层和隐藏层进行抽样。
初始化组件，在拟合过程中从层中采样。
对样本评分时损坏数据。

传递int以获得跨多个函数调用的可重复结果。看到 Glossary .

属性:

intercept_hidden_形状类似阵列（n_components，）: 隐藏单位的偏见。
intercept_visible_形状类似阵列（n_features，）: 可见单位的偏差。
components_形状类似阵列（n_组件，n_特征）: 权重矩阵，其中 n_features 是可见单位的数量， n_components 是隐藏单位的数量。
h_samples_形状类似阵列（batch_size，n_Components）: 隐藏激活从模型分布中抽样，其中 batch_size 是每个小批的示例数， n_components 是隐藏单位的数量。
n_features_in_int: 期间看到的功能数量 fit .

Added in version 0.24.
feature_names_in_ ：nd形状数组 (n_features_in_ ,)nd数组形状（: Names of features seen during fit. Defined only when X has feature names that are all strings.

Added in version 1.0.

参见

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: 无监督线性降维模型。

引用

[1] 辛顿，G. E.，奥辛德罗，S.和Teh，Y.快速学习算法: 深信仰网Neural Computation 18，pp 1527-1554. https://www.cs.toronto.edu/~hinton/absps/fastnc.pdf
[2] 蒂尔曼，T.使用受限制的Boltzmann机器训练: 似然梯度的逼近。2008年国际机器学习会议（ICML）

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)

有关更详细的示例使用，请参阅数字分类的受限制Boltzmann Machine功能 .

fit(X, y=None)[源代码]#

将模型拟合到数据X。

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}: 训练数据。
y形状（n_samples，）或（n_samples，n_outputs）的类似数组，默认=无: 目标值（无监督转换）。

返回:

selfBernoulliRBM: 合身的模型。

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

适应数据，然后对其进行转换。

适合变压器 X 和 y 具有可选参数 fit_params 并返回的转换版本 X .

参数:

X形状类似阵列（n_samples，n_features）: 输入样本。
y形状为（n_samples，）或（n_samples，n_outputs）的阵列状，默认值=无: 目标值（无监督转换）。
**fit_paramsdict: 其他适合参数。

返回:

X_newndray形状数组（n_samples，n_features_new）: 变形的数组。

get_feature_names_out(input_features=None)[源代码]#

获取用于转换的输出要素名称。

输出的功能名称将以大写的类别名称为开头。例如，如果Transformer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字符串或无的类数组，默认=无: 仅用于通过中看到的名称验证要素名称 fit .

返回:

feature_names_out字符串对象的nd数组: 转换的功能名称。

get_metadata_routing()[源代码]#

获取此对象的元数据路由。

请检查 User Guide 关于路由机制如何工作。

返回:

routingMetadataRequest: A MetadataRequest 封装路由信息。

get_params(deep=True)[源代码]#

获取此估计器的参数。

参数:

deep布尔，默认=True: 如果为True，将返回此估计量和包含的作为估计量的子对象的参数。

返回:

paramsdict: 参数名称映射到其值。

gibbs(v)[源代码]#

执行一个吉布斯采样步骤。

参数:

v形状的nd数组（n_samples，n_features）: 要开始的可见层的值。

返回:

v_new形状的nd数组（n_samples，n_features）: 吉布斯一步后可见层的值。

partial_fit(X, y=None)[源代码]#

将模型与数据X的部分片段匹配。

参数:

X形状的nd数组（n_samples，n_features）: 训练数据。
y形状（n_samples，）或（n_samples，n_outputs）的类似数组，默认=无: 目标值（无监督转换）。

返回:

selfBernoulliRBM: 合身的模型。

score_samples(X)[源代码]#

计算X的伪似然。

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}: 可见层的值。必须是全布尔型（未勾选）。

返回:

pseudo_likelihood形状的nd数组（n_samples，）: Value of the pseudo-likelihood (proxy for likelihood).

注意到

该方法不是确定性的：它计算X上的自由能量，然后计算X的随机损坏版本，并返回差异的逻辑函数的日志。

set_output(*, transform=None)[源代码]#

设置输出容器。

看到介绍 set_output API 了解如何使用API的示例。

参数:

transform{“默认”，“pandas”，“polars”}，默认=无

配置输出 transform 和 fit_transform .

"default" ：Transformer的默认输出格式
"pandas" ：DataFrame输出
"polars" ：两极输出
None ：转换配置不变

Added in version 1.4: "polars" 添加了选项。

返回:

self估计器实例: 估计实例。

set_params(**params)[源代码]#

设置此估计器的参数。

该方法适用于简单估计器以及嵌套对象（例如 Pipeline ).后者具有以下形式的参数 <component>__<parameter> 以便可以更新嵌套对象的每个组件。

参数:

**paramsdict: 估计参数。

返回:

self估计器实例: 估计实例。

transform(X)[源代码]#

计算隐藏层激活概率P（h=1| v=X）。

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}: 要转换的数据。

返回:

h形状的nd数组（n_samples，n_components）: 数据的潜在表示。