Taula de continguts:
- Definició: què significa Learning Vector Quantization (LVQ)?
- Techopedia explica Aprenentatge de la quantització vectorial (LVQ)
Definició: què significa Learning Vector Quantization (LVQ)?
L’aprenentatge de quantització vectorial (LVQ) és un algorisme que és un tipus de xarxes neuronals artificials i que utilitza càlcul neuronal. De manera més àmplia, es pot dir que és un tipus d’intel·ligència computacional. Aquest algorisme té un enfocament competitiu i guanyador de tot l'aprenentatge i també està relacionat amb altres algorismes de xarxes neuronals com Perceptron i la propagació posterior. L’algoritme LVQ permet triar el nombre d’instàncies d’entrenament a sotmetre i, a continuació, conèixer el que semblen aquestes instàncies. LVQ va ser inventat per Teuvo Kohonen i està relacionat amb l'algorisme del veí més proper a k.
Techopedia explica Aprenentatge de la quantització vectorial (LVQ)
L’objectiu bàsic d’aprendre la quantització de vectors en termes de processament d’informació és preparar, en el domini de les mostres de dades observades, un conjunt de vectors de llibres de codis. A més, aquests vectors s'utilitzen llavors per a la classificació de vectors que no es veuen. Inicialment, es compon un conjunt de vectors aleatori i després s’exposen a mostres d’entrenament. A l’hora d’utilitzar una estratègia guanyadora, es tria un o qualsevol dels vectors més semblants al patró d’entrada donat. A continuació, s’ajusten de manera que estiguin més a prop del vector d’entrada, o de vegades, més lluny del subcampionat. En repetir aquest procés, es tradueix en una distribució de vectors de codis a l’espai d’entrada que pot aproximar la distribució de les mostres subjacents al conjunt de dades de prova. Aquest algorisme s'utilitza per al modelatge predictiu.
