Tartalomjegyzék:
- Meghatározás - Mit jelent a tanulási vektorkvantálás (LVQ)?
- A Techopedia magyarázza a tanulási vektorkvantálást (LVQ)
Meghatározás - Mit jelent a tanulási vektorkvantálás (LVQ)?
A tanulási vektorkvantálás (LVQ) egy olyan algoritmus, amely egyfajta mesterséges ideghálózat és neurális számítást használ. Általánosabban véve azt lehet mondani, hogy ez egyfajta számítási intelligencia. Ez az algoritmus versenyképes, a nyertes mindent figyelembe vevő megközelítést alkalmaz a tanuláshoz, és kapcsolódik más ideghálózati algoritmusokhoz, például a Perceptronhoz és a back-terjedéshez is. Az LVQ algoritmus lehetővé teszi, hogy kiválassza az átesni kívánt képzési példányok számát, majd megtanulja, hogy ezek az példányok hogyan néznek ki. Az LVQ-t Teuvo Kohonen találta ki, és a k-legközelebbi szomszéd algoritmushoz kapcsolódik.
A Techopedia magyarázza a tanulási vektorkvantálást (LVQ)
Az vektorkvantálás tanulásának alapvető célja az információfeldolgozás szempontjából a megfigyelt adatminták területén a kódkönyv-vektorok készlete elkészítése. Ezeket a vektorokat ezután felhasználják a láthatatlan vektorok osztályozására. Kezdetben egy véletlenszerű vektor-készletet állítanak össze, majd ezeket kiképezik az edzési mintáknak. A nyertes mindenki számára stratégia alkalmazásakor az egyiket választják, vagy azokat, amelyek a megadott bemeneti mintához leginkább hasonlítanak. Ezeket azután úgy állítják be, hogy közelebb álljanak a bemeneti vektorhoz, vagy néha távolabb a második helyezetttől. Ennek a folyamatnak a megismétlésekor a kódkönyv-vektorok eloszlását eredményezi a bemeneti térben, amely megközelítheti a teszt adatkészlet mögötti minták eloszlását. Ezt az algoritmust a prediktív modellezéshez használják.
