Sadržaj:
- Definicija - Što znači kvantizacija vektora učenja (LVQ)?
- Tehopedia objašnjava kvantizaciju vektora učenja (LVQ)
Definicija - Što znači kvantizacija vektora učenja (LVQ)?
Kvantizacija vektora učenja (LVQ) je algoritam koji je vrsta umjetnih neuronskih mreža i koristi neuronske proračune. Šire šire, može se reći da je to vrsta računalne inteligencije. Ovaj algoritam koristi kompetitivan pristup učenju koji prihvaća sve, a također je povezan s ostalim algoritmima neuronske mreže poput Perceptrona i širenja unatrag. LVQ algoritam omogućava odabir broja obuka koje će proći i tada uči o tome kako izgledaju ti primjeri. LVQ je izumio Teuvo Kohonen i povezan je s k-algoritmom najbližeg susjeda.
Tehopedia objašnjava kvantizaciju vektora učenja (LVQ)
Osnovni cilj učenja kvantizacijom vektora u smislu obrade informacija je pripremiti, u domenu promatranih uzoraka podataka, niz vektora kodnih knjiga. Nadalje, ti se vektori tada koriste za klasifikaciju vektora koji su nevidljivi. U početku se sastavlja nasumični skup vektora koji su izloženi uzorcima treninga. Kad se koristi strategija pobjednika-sve, odabire se jedan ili oni koji su najsličniji vektorima datog ulaza. One se tada podešavaju tako da budu bliže ulaznom vektoru, ili ponekad, dalje od skretanja. Ponavljanjem ovog procesa, rezultira raspodjelom vektora kodnih knjiga u ulaznom prostoru koji može približiti raspodjelu uzoraka na kojima se nalazi testni skup podataka. Ovaj se algoritam koristi za prediktivno modeliranje.
