Obsah:
- Definice - Co to znamená Learning Vector Quantization (LVQ)?
- Techopedia vysvětluje kvantování učení vektorů (LVQ)
Definice - Co to znamená Learning Vector Quantization (LVQ)?
Kvantifikace vektorů učení (LVQ) je algoritmus, který je typem umělých neuronových sítí a používá výpočet neuronů. Obecněji lze říci, že jde o typ výpočetní inteligence. Tento algoritmus zaujímá konkurenční přístup založený na výhercích a bere v úvahu vše, co souvisí s dalšími algoritmy neurální sítě, jako je Perceptron a zpětná propagace. Algoritmus LVQ umožňuje zvolit počet vzdělávacích instancí, které mají podstoupit, a poté se dozví, jak tyto instance vypadají. LVQ byl vynalezen Teuvo Kohonenem a souvisí s algoritmem k-nejbližší soused.
Techopedia vysvětluje kvantování učení vektorů (LVQ)
Základním cílem kvantizace vektorů učení ve smyslu zpracování informací je připravit v oblasti pozorovaných vzorků dat sadu vektorů kódových knih. Dále jsou tyto vektory použity pro klasifikaci neviditelných vektorů. Zpočátku je složen náhodný soubor vektorů a poté jsou vystaveny tréninkovým vzorkům. Při použití strategie „win-take-all“ se vybere jeden nebo ty, které jsou pro daný vstupní vzorec nejvíce podobné. Ty jsou pak upraveny tak, aby byly blíže vstupnímu vektoru nebo někdy dále od běžce nahoru. Při opakování tohoto procesu má za následek distribuci vektorů kódových knih ve vstupním prostoru, která může aproximovat distribuci vzorků, na nichž je založena sada testovacích dat. Tento algoritmus se používá pro prediktivní modelování.
