BernoulliRBM

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

伯努利受限玻尔兹曼机（RBM）。

一种具有二进制可见单元和二进制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]。

该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 。

Parameters:

n_componentsint, default=256

二进制隐藏单元的数量。

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

每个小批量的样本数。

n_iterint, default=10

训练期间在训练数据集上执行的迭代/扫描次数。

verboseint, default=0

详细程度。默认值为零，表示静默模式。取值范围为 [0, inf]。

random_stateint, RandomState 实例或 None, default=None

确定以下随机数生成：

• 从可见层和隐藏层进行吉布斯采样。

• 初始化组件，在拟合期间从层中采样。

• 评分样本时损坏数据。

传递一个 int 以在多次函数调用中获得可重复的结果。请参阅 术语表 。

Attributes:

intercept_hidden_array-like of shape (n_components,)

隐藏单元的偏置。

intercept_visible_array-like of shape (n_features,)

可见单元的偏置。

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 是每个小批量的样本数， n_components 是隐藏单元的数量。

n_features_in_int

在 拟合 期间看到的特征数量。

Added in version 0.24.

feature_names_in_ndarray of shape ( n_features_in_ ,)

在 拟合 期间看到的特征名称。仅当 X 的特征名称为所有字符串时定义。

Added in version 1.0.

See also

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。

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 限制玻尔兹曼机

Approximations to the Likelihood Gradient. International Conference on Machine Learning (ICML) 2008

Examples

>>> 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)

拟合模型到数据 X。

Parameters:

X{array-like, sparse matrix}，形状为 (n_samples, n_features)

训练数据。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的 array-like，默认=None

目标值（无监督变换时为 None）。

Returns:

selfBernoulliRBM

拟合的模型。

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

拟合数据，然后进行转换。

将转换器拟合到 X 和 y ，并带有可选参数 fit_params ， 并返回 X 的转换版本。

Parameters:

X形状为 (n_samples, n_features) 的类数组

输入样本。

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

目标值（无监督转换为 None）。

**fit_paramsdict

其他拟合参数。

Returns:

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)

获取转换后的输出特征名称。

输出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，那么输出特征名称将是： ["class_name0", "class_name1", "class_name2"] 。

Parameters:

input_features类似数组的对象或None，默认为None

仅用于验证特征名称与 fit 中看到的名称。

Returns:

feature_names_outndarray of str对象

转换后的特征名称。

get_metadata_routing()

获取此对象的元数据路由。

请查看 用户指南 以了解路由机制的工作原理。

Returns:

routingMetadataRequest

MetadataRequest 封装的 路由信息。

get_params(deep=True)

获取此估计器的参数。

Parameters:

deepbool, 默认=True

如果为True，将返回此估计器和包含的子对象（也是估计器）的参数。

Returns:

paramsdict

参数名称映射到它们的值。

gibbs(v)

执行一次吉布斯采样步骤。

Parameters:

vndarray of shape (n_samples, n_features)

可见层的初始值。

Returns:

v_newndarray of shape (n_samples, n_features)

一次吉布斯步骤后的可见层值。

partial_fit(X, y=None)

拟合模型到数据的局部片段X。

Parameters:

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，默认=None

目标值（无监督变换时为None）。

Returns:

selfBernoulliRBM

拟合的模型。

score_samples(X)

计算X的伪似然。

Parameters:

X{array-like, sparse matrix}，形状为 (n_samples, n_features)

可见层的值。必须是全布尔值（不检查）。

Returns:

pseudo_likelihoodndarray，形状为 (n_samples,)

伪似然值（似然的代理）。

Notes

此方法不是确定性的：它计算X上的自由能，然后在X的随机损坏版本上计算，并返回差异的对数逻辑函数。

set_output(*, transform=None)

设置输出容器。

请参阅 介绍 set_output API 以了解如何使用API的示例。

Parameters:

transform{“default”, “pandas”, “polars”}, 默认=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 : 转换配置不变

Added in version 1.4: "polars" 选项已添加。

Returns:

self估计器实例

估计器实例。

set_params(**params)

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 ）。后者具有形式为 <component>__<parameter> 的参数，以便可以更新嵌套对象的每个组件。

Parameters:

**paramsdict

估计器参数。

Returns:

selfestimator instance

估计器实例。

transform(X)

计算隐藏层激活概率，P(h=1|v=X)。

Parameters:

X{array-like, sparse matrix}，形状为 (n_samples, n_features)

要转换的数据。

Returns:

hndarray，形状为 (n_samples, n_components)

数据的潜在表示。

Gallery examples

用于数字分类的受限玻尔兹曼机特征

用于数字分类的受限玻尔兹曼机特征