Python 如何从BernoulliRBM获得分数

我正在尝试使用iris数据集：

from sklearn import datasets
iris = datasets.load_iris() 
collist = ['SL', 'SW', 'PL', 'PW']
dat = pd.DataFrame(data=iris.data, columns=collist)

from sklearn.neural_network import BernoulliRBM
model = BernoulliRBM(n_components=2)
scores = model.fit_transform(dat)
print(scores.shape)
print(scores)

但是，对于所有行，我只得到1作为输出：

(150, 2)
[[1. 1.]
 [1. 1.]
 [1. 1.]
 [1. 1.]
 [1. 1.]  # same for all rows

我能像在主成分分析中一样得到与各行分数相似的值吗？否则，我如何从RBM获得一些有用的数字？我尝试了

model.score\u samples（dat）

，但这也为绝大多数行提供了

0

的值

根据：

该模型对输入的分布进行了假设。在 目前，scikit learn仅提供BernoulliRBM，它假定 输入可以是二进制值，也可以是0到1之间的值 编码特定功能打开的概率

由于您的

dat

值都大于1，我猜模型正在将所有输入数据截断为1.0。例如，如果应用规范化：

from sklearn.preprocessing import normalize
scores = model.fit_transform(normalize(dat))

您将获得一些变化的值：

array([[0.23041219, 0.23019722],
   [0.23046652, 0.23025144],
   ...,
   [0.23159369, 0.23137678],
   [0.2316786 , 0.23146158]])

---

由于您的输入特征必须解释为概率，因此您需要考虑，对于您正在解决的特定问题，任何规范化是否合理。

它是有效的，但无法分离3种虹膜数据集。这意味着什么？我认为它无法分离，因为你的特征，即使是标准化的，也不代表概率。您可以尝试其他规范化策略，但我怀疑此模型（至少在sklearn中实现）不是表示连续特征（长度、宽度等）的好选择。伯努利RBM特别有用的主要情况是什么？当您的特征具有自然的0-1范围缩放时。一些例子是图像分类和文字袋文本模型。