Innehållsförteckning:
- Definition - Vad betyder Learning Vector Quantization (LVQ)?
- Techopedia förklarar Learning Vector Quantization (LVQ)
Definition - Vad betyder Learning Vector Quantization (LVQ)?
Learning Vector kvantisering (LVQ) är en algoritm som är en typ av konstgjorda neurala nätverk och använder neural beräkning. Mer allmänt kan man säga att det är en typ av beräkningsintelligens. Denna algoritm tar en konkurrenskraftig, vinnare-tar-alla strategi för inlärning och är också relaterad till andra neurala nätverksalgoritmer som Perceptron och back-propagation. LVQ-algoritmen tillåter en att välja antalet träningstillfällen att genomgå och sedan lära sig hur dessa inställningar ser ut. LVQ uppfanns av Teuvo Kohonen och är relaterad till k-närmaste grannalgoritm.
Techopedia förklarar Learning Vector Quantization (LVQ)
Det grundläggande målet med inlärning av vektorkvantisering i termer av informationsbearbetning är att inom området för observerade dataprover förbereda en uppsättning kodbokvektorer. Vidare används dessa vektorer för klassificering av osynliga vektorer. Inledningsvis består en slumpmässig samling av vektorer och de utsätts sedan för träningsprover. Vid anställning av en vinnare-tar-alla strategi väljs antingen en eller de som är mest lik vektorer till det givna inputmönstret. Dessa justeras sedan på ett sådant sätt att de är närmare inmatningsvektorn, eller ibland, längre bort från löparen. Vid upprepning av denna process resulterar det i en fördelning av kodbokvektorer i ingångsutrymmet som kan ungefärliga fördelningen av sampel under testdatauppsättningen. Denna algoritm används för prediktiv modellering.
