Definição – O que significa Learning Vector Quantization (LVQ)?
A quantização vetorial de aprendizagem (LVQ) é um algoritmo que é um tipo de rede neural artificial e usa computação neural. De forma mais ampla, pode-se dizer que é um tipo de inteligência computacional. Esse algoritmo adota uma abordagem competitiva de aprendizado em que o vencedor leva tudo e também está relacionado a outros algoritmos de rede neural, como Perceptron e retropropagação. O algoritmo LVQ permite que se escolha o número de instâncias de treinamento a serem submetidas e, em seguida, aprenda sobre a aparência dessas instâncias. O LVQ foi inventado por Teuvo Kohonen e está relacionado ao algoritmo de k-vizinho mais próximo.
Definirtec explica o aprendizado de quantização de vetores (LVQ)
O objetivo básico da aprendizagem da quantização vetorial em termos de processamento de informação é preparar, no domínio das amostras de dados observadas, um conjunto de vetores de livro de código. Além disso, esses vetores são então usados para a classificação de vetores que não são vistos. Inicialmente, um pool aleatório de vetores é composto e eles são então expostos a amostras de treinamento. No emprego de uma estratégia o 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 longe do segundo colocado. Na repetição desse processo, resulta em uma distribuição de vetores de livro de código no espaço de entrada que pode aproximar a distribuição de amostras subjacentes ao conjunto de dados de teste. Este algoritmo é usado para modelagem preditiva.