Turinys:
- Apibrėžimas - ką reiškia mokymosi vektorinis kvantizavimas (LVQ)?
- „Techopedia“ paaiškina mokymosi vektorių skaičiavimą (LVQ)
Apibrėžimas - ką reiškia mokymosi vektorinis kvantizavimas (LVQ)?
Mokymosi vektoriaus kvantizavimas (LVQ) yra algoritmas, kuris yra dirbtinių neuroninių tinklų tipas ir naudoja neuroninius skaičiavimus. Žvelgiant plačiau, tai galima pasakyti apie skaičiavimo intelekto tipą. Šis algoritmas pasirenka konkurencingą, visiems naudingą požiūrį į mokymąsi ir taip pat yra susijęs su kitais neuroninio tinklo algoritmais, tokiais kaip „Perceptron“ ir atgaliniu sklidimu. LVQ algoritmas leidžia pasirinkti mokomų egzempliorių skaičių ir tada sužinoti, kaip tie egzemplioriai atrodo. LVQ išrado Teuvo Kohonenas ir yra susijęs su artimiausio kaimyno algoritmu.
„Techopedia“ paaiškina mokymosi vektorių skaičiavimą (LVQ)
Pagrindinis mokymosi vektorių kvantizavimo tikslas informacijos apdorojimo srityje yra paruošti stebimų duomenų pavyzdžių srityje kodų knygos vektorių rinkinį. Be to, šie vektoriai yra naudojami nematomų vektorių klasifikavimui. Iš pradžių sudaromas atsitiktinis vektorių fondas, kuris vėliau veikiamas mokymo pavyzdžiais. Taikant strategiją, kurioje viskas nugalima, pasirenkama viena arba tos, kurios yra labiausiai panašios į duotą įvesties modelį. Tada jie sureguliuojami taip, kad būtų arčiau įvesties vektoriaus, arba kartais toliau nuo toliau esančio rinkinio. Kartojant šį procesą, įvesties erdvėje pasiskirsto kodų knygos vektoriai, galintys apytiksliai nustatyti bandinių duomenų rinkinyje esančių mėginių pasiskirstymą. Šis algoritmas naudojamas prognoziniam modeliavimui.
