Définition - Que signifie la quantification vectorielle d'apprentissage (LVQ)?
La quantification vectorielle d'apprentissage (LVQ) est un algorithme qui est un type de réseaux de neurones artificiels et utilise le calcul neuronal. Plus largement, on peut dire qu'il s'agit d'un type d'intelligence computationnelle. Cet algorithme adopte une approche d'apprentissage compétitive et gagnant-emporte-tout et est également lié à d'autres algorithmes de réseau neuronal comme Perceptron et la rétro-propagation. L'algorithme LVQ permet de choisir le nombre d'instances d'entraînement 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.
Definir Tech explique la quantification des vecteurs d'apprentissage (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 dictionnaire de codes. En outre, 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-emporte-tout, on choisit l'un ou les vecteurs les plus similaires au modèle d'entrée donné. Ceux-ci sont ensuite ajustés de manière à être plus proches du vecteur d'entrée, ou parfois, plus éloignés du second. 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.