Table des matières:
- Définition - Que signifie l'apprentissage de la quantification vectorielle (LVQ)?
- Techopedia explique l'apprentissage de la quantification vectorielle (LVQ)
Définition - Que signifie l'apprentissage de la quantification vectorielle (LVQ)?
L'apprentissage de la quantification vectorielle (LVQ) est un algorithme qui est un type de réseaux neuronaux artificiels et utilise le calcul neuronal. Plus largement, on peut dire qu'il s'agit d'un type d'intelligence informatique. Cet algorithme adopte une approche compétitive et gagnante de tous les apprentissages et est également lié à d'autres algorithmes de réseau de neurones comme Perceptron et la rétropropagation. L'algorithme LVQ permet de choisir le nombre d'instances de formation à subir, puis apprend à quoi ressemblent ces instances. LVQ a été inventé par Teuvo Kohonen et est lié à l'algorithme k-plus proche voisin.
Techopedia explique l'apprentissage de la quantification vectorielle (LVQ)
L'objectif fondamental de l'apprentissage de la quantification vectorielle en termes de traitement de l'information est de préparer, dans le domaine des échantillons de données observés, un ensemble de vecteurs de livre de codes. De plus, ces vecteurs sont ensuite utilisés pour la classification des vecteurs invisibles. Initialement, un pool aléatoire de vecteurs est composé et ils sont ensuite exposés à des échantillons d'apprentissage. Lors de l'utilisation d'une stratégie gagnant-tout, tout ou partie des vecteurs les plus similaires au modèle d'entrée donné sont choisis. Ceux-ci sont ensuite ajustés de manière à être plus proches du vecteur d'entrée, ou parfois plus éloignés du finaliste. Lors de la répétition de ce processus, il en résulte une distribution de vecteurs de livre de codes dans l'espace d'entrée qui peut approximer la distribution des échantillons sous-jacents à l'ensemble de données de test. Cet algorithme est utilisé pour la modélisation prédictive.
