跳到主要内容

伯努利约束玻尔兹曼机分类（BernoulliRBM）

组件名称伯努利约束玻尔兹曼机分类（BernoulliRBM）
工具集机器学习/分类/伯努利约束玻尔兹曼机分类（BernoulliRBM）
组件作者雪浪云-燕青
文档版本1.0
功能伯努利约束玻尔兹曼机分类（BernoulliRBM）算法
镜像名称ml_components:3
开发语言Python

组件原理​

伯努利约束玻尔兹曼机分类（BernoulliRBM）是机器学习中的一种分类组件。

RBM简化了Boltzmann网络，取消了每层神经元之间的连接，即不再是一个递归神经网络，更像是一个MLP。通常情况下，联合概率分布无法计算，但是可以通过条件概率分布+迭代法近似模拟出符合联合概率的样本。

RBM中采用的是Gibbs采样来重构，是MCMC（Monte Carlo Markov Chain）的一种算法特例。Monte Carlo是根据概率随机生成数据的算法统称，Markov Chain则是符合马尔可夫链的算法统称。

这样，只要通过又臭又长的马尔可夫链，使用Gibbs采样重构出新样本v'就好了。

RBM是一个概率生成模型，而AutoEncoder只是一个普通的模型。神经网络的本质是训练岀能够模拟输入的W，这样，在测试的时候，遇到近似的输入，W能够做出漂亮的响应。RBM选择概率，是因为有概率论的公式支持。这样优化网络，能够达到上述目标。只是原始目标不好优化，Hinton才提出对比训练的方法，即绕了个弯子的选择重构。能量函数使得W朝更大概率方向优化。但是，正如线性回归有最小二乘法和高斯分布两种解释一样。其实，W的训练大可不必拘泥于概率，AutoEncoder则绕过了这点，直接选择了加权重构，所以cost函数简单。可以这么说，重构的数学理论基础就是RBM的原始目标函数。而概率重构启发了直接重构。两者近似等价。从马尔可夫链上看，AutoEncoder可看作是链长为1的特殊形式，即一次重构，而RBM是多次重构。

组件

  • 组件图：

输入桩​

支持单个csv文件输入。

输入端子1​

  • 端口名称：训练数据
  • 输入类型：Csv文件
  • 功能描述： 输入用于训练的数据

输出桩​

支持sklearn模型输出。

输出端子1​

  • 端口名称：输出模型
  • 输出类型：sklearn模型
  • 功能描述： 输出训练好的模型用于预测

参数配置​

N Component​

  • 功能描述：二进制隐藏单元的数量
  • 必选参数：是
  • 默认值：256

学习率​

  • 功能描述：权重更新的学习率
  • 必选参数：是
  • 默认值：0.1

批大小​

  • 功能描述：每一批次使用的样本数
  • 必选参数：是
  • 默认值：10

迭代次数​

  • 功能描述：训练时间内进行的样本迭代次数
  • 必选参数：是
  • 默认值：1000

Random State​

  • 功能描述：随机种子
  • 必选参数：否
  • 默认值：（无）

需要训练​

  • 功能描述：该模型是否需要训练，默认为需要训练。
  • 必选参数：是
  • 默认值：true

特征字段​

  • 功能描述：特征字段
  • 必选参数：是
  • 默认值：（无）

识别字段​

  • 功能描述：识别字段
  • 必选参数：是
  • 默认值：（无）

使用方法​

  • 将组件拖入到项目中
  • 与前一个组件输出的端口连接（必须是csv类型）
  • 点击运行该节点

测试用例​

模板​

右面板配置​

  • 参数设置：

  • 字段设置：

输入的数据：​

输出的结果：​

  • 输出模型：