КонтекстПример запрос: бесконтрольное глубоко обучение в питоне
Я относительно новый для нейронных сетей, и хотел бы узнать о методах кластеризации, которые способны делать прогнозы класса после обучения представления.
Некоторые обучающие онлайн-программы для сетей autoencoders/rbms/deep убеждений обычно имеют контролируемый вызов fit(), такой как fit (X, y) или Pipeline (rbm, logistic). См: http://www.pyimagesearch.com/2014/09/22/getting-started-deep-learning-python/
http://scikit-learn.org/stable/auto_examples/neural_networks/plot_rbm_logistic_classification.html
Я хотел бы, чтобы исследовать влияние скрытых слоев на немеченых данных, поэтому алгоритмы, такие как K-средств не будет вполне достаточно.
Запрос
Было бы хорошо, чтобы увидеть пример Python, который имеет аналогичные вызовы, чтобы соответствовать (X) и предсказывать (Y), где X и Y является немаркированных наборов данных. Идея заключается в том, что pred() работает путем нахождения «ближайшего» класса, определяемого представлением, полученным в fit().
Я, конечно, не ожидаю полной реализации, но соответствующие ресурсы будут оценены.
Например, в http://deeplearning.net/tutorial/DBN.html, похоже, мы можем построить DBN. Есть ли соответствующий метод pred()?
Addenda
Несколько связанный с этим вопрос:
Getting the learned representation of the data from the unsupervised learning in pylearn2
Каким должен быть результат функции прогнозирования, если нет меток? – Framester