Índice:
- Definição - O que significa Quantização de Vetores de Aprendizagem (LVQ)?
- Techopedia explica a quantização de vetores de aprendizagem (LVQ)
Definição - O que significa Quantização de Vetores de Aprendizagem (LVQ)?
A quantização de vetores de aprendizagem (LVQ) é um algoritmo que é um tipo de redes neurais artificiais e usa computação neural. Mais amplamente, pode-se dizer que é um tipo de inteligência computacional. Esse algoritmo adota uma abordagem competitiva e vencedora de tudo e também está relacionado a outros algoritmos de redes neurais como Perceptron e propagação traseira. O algoritmo LVQ permite escolher o número de instâncias de treinamento a serem submetidas e aprender sobre como elas são. O LVQ foi inventado por Teuvo Kohonen e está relacionado ao algoritmo k-vizinho mais próximo.
Techopedia explica a quantização de vetores de aprendizagem (LVQ)
O objetivo básico da aprendizagem da quantização de vetores em termos de processamento de informações é preparar, no domínio das amostras de dados observadas, um conjunto de vetores de livros de códigos. Além disso, esses vetores são então utilizados para a classificação de vetores que não são vistos. Inicialmente, um conjunto aleatório de vetores é composto e eles são expostos a amostras de treinamento. No emprego de uma estratégia de vencedor leva tudo, um ou aqueles que são os vetores mais semelhantes ao padrão de entrada fornecido são escolhidos. Estes são então ajustados de forma a ficarem mais próximos do vetor de entrada ou, às vezes, mais afastados do segundo colocado. Na repetição desse processo, resulta em uma distribuição de vetores do livro de códigos no espaço de entrada que pode aproximar a distribuição das amostras subjacentes ao conjunto de dados de teste. Este algoritmo é usado para modelagem preditiva.
