學習筆記，僅供參考，有錯必糾

---

文章目錄

• • 神經網絡模型(無監(jiān)督)
  • • 受限玻爾茲曼機
    • • 圖形化模型和參數(shù)化
      • 伯努利限制玻爾茲曼機
      • 隨機極大似然學習

---

神經網絡模型(無監(jiān)督)

受限玻爾茲曼機

受限玻爾茲曼機(RBM)是一種基于概率模型的無監(jiān)督非線性特征學習器。RBM或RBM的層次結構所提取的特征，在輸入線性分類器（如線性SVM或感知器）時，往往能得到良好的結果。該模型對輸入的分布做出假設。目前，scikit-learn只提供了BernoulliRBM，它假設輸入要么是二元值(binary values)，要么是0到1之間的值，每個值都編碼特定特征被打開的概率。

RBM試圖使用特定的圖形模型來最大化數(shù)據的可能性。所使用的參數(shù)學習算法（隨機最大似然）可以防止表象偏離輸入數(shù)據很遠，這使得它們捕捉到了有趣的規(guī)律性，但使得該模型對小數(shù)據集的作用不大，通常不適合密度估

總結

以上是生活随笔為你收集整理的sklearn自学指南(part60)--神经网络模型(无监督)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。