Talaan ng mga Nilalaman:
- Kahulugan - Ano ang kahulugan ng Learning Vector Quantization (LVQ)?
- Ipinapaliwanag ng Techopedia ang Learning Vector Quantization (LVQ)
Kahulugan - Ano ang kahulugan ng Learning Vector Quantization (LVQ)?
Ang pag-aaral ng vector quantization (LVQ) ay isang algorithm na isang uri ng mga artipisyal na neural network at gumagamit ng neural computation. Mas malawak, masasabi na isang uri ng computational intelligence. Ang algorithm na ito ay tumatagal ng isang mapagkumpitensya, nagwagi-tumatagal-lahat ng diskarte sa pag-aaral at nauugnay din sa iba pang mga neural algorithm algorithm tulad ng Perceptron at pabalik na pagpapalaganap. Pinapayagan ng algorithm ng LVQ ang isa na pumili ng bilang ng mga pagkakataon sa pagsasanay na sumailalim at pagkatapos ay malaman ang tungkol sa kung ano ang hitsura ng mga pagkakataong iyon. Ang LVQ ay naimbento ni Teuvo Kohonen at nauugnay sa algorithm ng k-pinakamalapit na kapitbahay.
Ipinapaliwanag ng Techopedia ang Learning Vector Quantization (LVQ)
Ang pangunahing layunin ng pag-aaral ng dami ng vector sa mga tuntunin ng pagproseso ng impormasyon ay upang maghanda, sa domain ng mga sinusunod na mga sample ng data, isang hanay ng mga vector ng codebook. Karagdagan, ang mga vectors na ito ay ginagamit para sa pag-uuri ng mga vectors na hindi nakikita. Sa una, ang isang random na pool ng mga vectors ay binubuo at sila ay pagkatapos ay nailantad sa mga sample ng pagsasanay. Sa pagtatrabaho ng isang nagwagi-tumatagal-lahat ng diskarte, alinman sa isa o mga katulad na vectors sa ibinigay na pattern ng input. Pagkatapos ay nababagay ito sa paraang maging mas malapit sa vector ng input, o kung minsan, higit na malayo sa runner-up. Sa pag-uulit ng prosesong ito, nagreresulta ito sa isang pamamahagi ng mga vector ng codebook sa puwang ng pag-input na maaaring tantiya ang pamamahagi ng mga sample na pinagbabatayan ng set ng data ng pagsubok. Ang algorithm na ito ay ginagamit para sa mahuhulaan na pagmomolde.
