csh/playbook

Fork 0

Files

T

csh 651c1f68d2 ✨ feat(tsl-api-reference): add class and framework API lookup

2026-08-20 13:49:55 +08:00

13 KiB

Raw Blame History

应用专题 / 数学算法 / 神经网络

`mlpClassifier`

声明：class

使用多层感知机进行监督分类的神经网络模型

`Hidden_layer_sizes`

声明：field

各隐藏层的神经元数量，默认 array(100)

可见性：public

类型：array

`Activation`

声明：field

隐藏层激活函数，默认 relu

可见性：public

类型：string

`Solver`

声明：field

权重优化求解器，默认 adam

可见性：public

类型：string

`Learning_rate`

声明：field

权重更新的学习率时间表，默认 constant

可见性：public

类型：string

`Max_iter`

声明：field

最大迭代次数，默认 200

可见性：public

类型：integer

`Early_stopping`

声明：field

验证得分不再改善时是否提前终止训练，默认 False

可见性：public

类型：boolean

`Classes_`

声明：field

训练后得到的各输出类别标签

可见性：public

类型：array

`Loss_`

声明：field

当前训练损失

可见性：public

类型：real

`create(hidden_layer_sizes, activation, solver, alpha, batch_size, learning_rate, learning_rate_init, power_t, max_iter, shuffle, random_state, tol, verbose, warm_start, momentum, nesterovs_momentum, early_stopping, validation_fraction, beta_1, beta_2, epsilon, n_iter_no_change, max_fun)`

声明：function

初始化多层感知机分类器

可见性：public

参数	类型	说明
`hidden_layer_sizes`	array	各隐藏层的神经元数量
`activation`	string	隐藏层激活函数
`solver`	string	权重优化求解器
`alpha`	real	L2 正则化强度
`batch_size`	integer\|string	随机优化器的批量大小
`learning_rate`	string	学习率时间表
`learning_rate_init`	real	初始学习率
`power_t`	real	反比例学习率指数
`max_iter`	integer	最大迭代次数
`shuffle`	boolean	每次迭代是否随机取样
`random_state`	integer	随机状态
`tol`	real	优化停止容差
`verbose`	boolean	是否打印训练进度
`warm_start`	boolean	是否复用上次拟合结果
`momentum`	real	梯度下降动量
`nesterovs_momentum`	boolean	是否使用 Nesterov 动量
`early_stopping`	boolean	是否启用提前停止
`validation_fraction`	real	提前停止时保留的验证集比例
`beta_1`	real	Adam 第一矩估计的指数衰减率
`beta_2`	real	Adam 第二矩估计的指数衰减率
`epsilon`	real	Adam 数值稳定参数
`n_iter_no_change`	integer	未改善时允许的最大迭代轮数
`max_fun`	integer	最大函数调用次数

`Fit(X, y)`

声明：function

根据特征矩阵和类别目标拟合模型

可见性：public

参数	类型	说明
`X`	array	二维训练特征数组
`y`	array	类别目标数组

`Partial_fit(X, y, classes)`

声明：function

对一批数据执行一次增量训练

可见性：public

参数	类型	说明
`X`	array	本批次的二维训练特征数组
`y`	array	本批次的类别目标数组
`classes`	array	首次调用时提供的全部可能类别

`Predict(X)`

声明：function

预测输入样本的类别标签

可见性：public

参数	类型	说明
`X`	array	需要预测的二维特征数组

返回：array

`Predict_log_proba(X)`

声明：function

返回输入样本属于各类别的对数概率

可见性：public

参数	类型	说明
`X`	array	需要预测的二维特征数组

返回：array

`Predict_proba(X)`

声明：function

返回输入样本属于各类别的概率

可见性：public

参数	类型	说明
`X`	array	需要预测的二维特征数组

返回：array

`Score(X, y, sample_weight)`

声明：function

返回给定测试数据和标签的平均准确率

可见性：public

参数	类型	说明
`X`	array	二维测试特征数组
`y`	array	真实类别标签
`sample_weight`	array	各样本权重；默认值为 `nil`

返回：real

`mlpRegressor`

声明：class

使用多层感知机进行监督回归的神经网络模型

`Hidden_layer_sizes`

声明：field

各隐藏层的神经元数量，默认 array(100)

可见性：public

类型：array

`Activation`

声明：field

隐藏层激活函数，默认 relu

可见性：public

类型：string

`Solver`

声明：field

权重优化求解器，默认 adam

可见性：public

类型：string

`Learning_rate`

声明：field

权重更新的学习率时间表，默认 constant

可见性：public

类型：string

`Max_iter`

声明：field

最大迭代次数，默认 200

可见性：public

类型：integer

`Early_stopping`

声明：field

验证得分不再改善时是否提前终止训练，默认 False

可见性：public

类型：boolean

`Loss_`

声明：field

当前训练损失

可见性：public

类型：real

`create(hidden_layer_sizes, activation, solver, alpha, batch_size, learning_rate, learning_rate_init, power_t, max_iter, shuffle, random_state, tol, verbose, warm_start, momentum, nesterovs_momentum, early_stopping, validation_fraction, beta_1, beta_2, epsilon, n_iter_no_change, max_fun)`

声明：function

初始化多层感知机回归器

可见性：public

参数	类型	说明
`hidden_layer_sizes`	array	各隐藏层的神经元数量
`activation`	string	隐藏层激活函数
`solver`	string	权重优化求解器
`alpha`	real	L2 正则化强度
`batch_size`	integer\|string	随机优化器的批量大小
`learning_rate`	string	学习率时间表
`learning_rate_init`	real	初始学习率
`power_t`	real	反比例学习率指数
`max_iter`	integer	最大迭代次数
`shuffle`	boolean	每次迭代是否随机取样
`random_state`	integer	随机状态
`tol`	real	优化停止容差
`verbose`	boolean	是否打印训练进度
`warm_start`	boolean	是否复用上次拟合结果
`momentum`	real	梯度下降动量
`nesterovs_momentum`	boolean	是否使用 Nesterov 动量
`early_stopping`	boolean	是否启用提前停止
`validation_fraction`	real	提前停止时保留的验证集比例
`beta_1`	real	Adam 第一矩估计指数衰减率
`beta_2`	real	Adam 第二矩估计指数衰减率
`epsilon`	real	Adam 数值稳定参数
`n_iter_no_change`	integer	未改善时允许的最大迭代轮数
`max_fun`	integer	最大函数调用次数

`Fit(X, y)`

声明：function

根据特征矩阵和回归目标拟合模型

可见性：public

参数	类型	说明
`X`	array	二维训练特征数组
`y`	array	回归目标数组

`Partial_fit(X, y, classes)`

声明：function

对一批数据执行一次增量训练

可见性：public

参数	类型	说明
`X`	array	本批次的二维训练特征数组
`y`	array	本批次的回归目标数组
`classes`	array	原始文档定义的增量训练类参数

`Predict(X)`

声明：function

预测输入样本的回归值

可见性：public

参数	类型	说明
`X`	array	需要预测的二维特征数组

返回：array

`Score(X, y, sample_weight)`

声明：function

返回预测值相对于真实值的决定系数 R 方

可见性：public

参数	类型	说明
`X`	array	二维测试特征数组
`y`	array	真实回归目标
`sample_weight`	array	各样本权重；默认值为 `nil`

返回：real

`bernoulliRBM`

声明：class

使用伯努利可见单元和隐藏单元的限制玻尔兹曼机模型

`N_components`

声明：field

二进制隐藏单元数，默认 256

可见性：public

类型：integer

`Learning_rate`

声明：field

权重更新的学习率，默认 0.1

可见性：public

类型：real

`Batch_size`

声明：field

每个训练批次的样本数量，默认 10

可见性：public

类型：integer

`N_iter`

声明：field

扫描训练数据集的次数，默认 10

可见性：public

类型：integer

`Components_`

声明：field

隐藏单元到可见特征的权重矩阵

可见性：public

类型：array

`H_samples_`

声明：field

从模型分布采样得到的隐藏单元激活状态矩阵

可见性：public

类型：array

`create(n_components, learning_rate, batch_size, n_iter, verbose, random_state)`

声明：function

初始化伯努利限制玻尔兹曼机

可见性：public

参数	类型	说明
`n_components`	integer	二进制隐藏单元数
`learning_rate`	real	权重更新学习率
`batch_size`	integer	每个批次的样本数量
`n_iter`	integer	训练数据扫描次数
`verbose`	integer	输出级别
`random_state`	integer	随机状态

`Fit(X, y)`

声明：function

根据输入数据拟合模型；y 仅用于保持接口一致

可见性：public

参数	类型	说明
`X`	array	二维训练特征数组
`y`	any	未使用的兼容参数

`Fit_transform(X, y, fit_params)`

声明：function

拟合模型并将数据转换为隐藏层表征

可见性：public

参数	类型	说明
`X`	array	二维训练特征数组
`y`	any	未使用的兼容参数
`fit_params`	array	传递给拟合过程的参数

返回：array

`Gibbs(v)`

声明：function

执行一个 Gibbs 采样步骤并返回新的可见层数据

可见性：public

参数	类型	说明
`v`	array	可见层数据

返回：array

`Partial_fit(X, y)`

声明：function

使用一个数据分片增量拟合模型；y 仅用于保持接口一致

可见性：public

参数	类型	说明
`X`	array	二维训练特征数组
`y`	any	未使用的兼容参数

`Score_samples(X)`

声明：function

计算输入样本的伪似然

可见性：public

参数	类型	说明
`X`	array	布尔值构成的可见层数据

返回：array

`Transform(X)`

声明：function

计算隐藏层激活概率并返回数据的潜在表征

可见性：public

参数	类型	说明
`X`	array	需要转换的数据

返回：array

13 KiB Raw Blame History

应用专题 / 数学算法 / 神经网络

mlpClassifier

Hidden_layer_sizes

Activation

Solver

Learning_rate

Max_iter

Early_stopping

Classes_

Loss_

create(hidden_layer_sizes, activation, solver, alpha, batch_size, learning_rate, learning_rate_init, power_t, max_iter, shuffle, random_state, tol, verbose, warm_start, momentum, nesterovs_momentum, early_stopping, validation_fraction, beta_1, beta_2, epsilon, n_iter_no_change, max_fun)

Fit(X, y)

Partial_fit(X, y, classes)

Predict(X)

Predict_log_proba(X)

Predict_proba(X)

Score(X, y, sample_weight)

mlpRegressor

Hidden_layer_sizes

Activation

Solver

Learning_rate

Max_iter

Early_stopping

Loss_

create(hidden_layer_sizes, activation, solver, alpha, batch_size, learning_rate, learning_rate_init, power_t, max_iter, shuffle, random_state, tol, verbose, warm_start, momentum, nesterovs_momentum, early_stopping, validation_fraction, beta_1, beta_2, epsilon, n_iter_no_change, max_fun)

Fit(X, y)

Partial_fit(X, y, classes)

Predict(X)

Score(X, y, sample_weight)

bernoulliRBM

N_components

Learning_rate

Batch_size

N_iter

Components_

H_samples_

create(n_components, learning_rate, batch_size, n_iter, verbose, random_state)

Fit(X, y)

Fit_transform(X, y, fit_params)

Gibbs(v)

Partial_fit(X, y)

Score_samples(X)

Transform(X)

13 KiB

Raw Blame History

`mlpClassifier`

`Hidden_layer_sizes`

`Activation`

`Solver`

`Learning_rate`

`Max_iter`

`Early_stopping`

`Classes_`

`Loss_`

`create(hidden_layer_sizes, activation, solver, alpha, batch_size, learning_rate, learning_rate_init, power_t, max_iter, shuffle, random_state, tol, verbose, warm_start, momentum, nesterovs_momentum, early_stopping, validation_fraction, beta_1, beta_2, epsilon, n_iter_no_change, max_fun)`

`Fit(X, y)`

`Partial_fit(X, y, classes)`

`Predict(X)`

`Predict_log_proba(X)`

`Predict_proba(X)`

`Score(X, y, sample_weight)`

`mlpRegressor`

`Hidden_layer_sizes`

`Activation`

`Solver`

`Learning_rate`

`Max_iter`

`Early_stopping`

`Loss_`

`create(hidden_layer_sizes, activation, solver, alpha, batch_size, learning_rate, learning_rate_init, power_t, max_iter, shuffle, random_state, tol, verbose, warm_start, momentum, nesterovs_momentum, early_stopping, validation_fraction, beta_1, beta_2, epsilon, n_iter_no_change, max_fun)`

`Fit(X, y)`

`Partial_fit(X, y, classes)`

`Predict(X)`

`Score(X, y, sample_weight)`

`bernoulliRBM`

`N_components`

`Learning_rate`

`Batch_size`

`N_iter`

`Components_`

`H_samples_`

`create(n_components, learning_rate, batch_size, n_iter, verbose, random_state)`

`Fit(X, y)`

`Fit_transform(X, y, fit_params)`

`Gibbs(v)`

`Partial_fit(X, y)`

`Score_samples(X)`

`Transform(X)`