Inhaltsverzeichnis:
- Definition - Was bedeutet Lernvektorquantisierung (LVQ)?
- Techopedia erklärt die Lernvektorquantisierung (LVQ)
Definition - Was bedeutet Lernvektorquantisierung (LVQ)?
Die Lernvektorquantisierung (LVQ) ist ein Algorithmus, der eine Art künstlicher neuronaler Netze darstellt und neuronale Berechnungen verwendet. Allgemein kann gesagt werden, dass es sich um eine Art rechnergestützter Intelligenz handelt. Dieser Algorithmus verfolgt beim Lernen einen wettbewerbsorientierten Ansatz, der alles ausmacht, und ist auch mit anderen neuronalen Netzwerkalgorithmen wie Perceptron und Backpropagation verwandt. Mit dem LVQ-Algorithmus kann man die Anzahl der zu absolvierenden Trainingsinstanzen auswählen und dann lernen, wie diese Instanzen aussehen. LVQ wurde von Teuvo Kohonen erfunden und ist mit dem Algorithmus für den nächsten k-Nachbarn verwandt.
Techopedia erklärt die Lernvektorquantisierung (LVQ)
Das grundlegende Ziel des Lernens der Vektorquantisierung im Hinblick auf die Informationsverarbeitung besteht darin, im Bereich der beobachteten Datenproben einen Satz von Codebuchvektoren zu erstellen. Ferner werden diese Vektoren dann zur Klassifizierung von Vektoren verwendet, die nicht gesehen werden. Zunächst wird ein zufälliger Pool von Vektoren zusammengestellt, die dann Trainingsproben ausgesetzt werden. Bei der Anwendung einer Strategie, bei der alle Gewinner berücksichtigt werden, werden entweder einer oder die Vektoren ausgewählt, die dem angegebenen Eingabemuster am ähnlichsten sind. Diese werden dann so angepasst, dass sie näher am Eingabevektor oder manchmal weiter vom Zweitplatzierten entfernt sind. Bei Wiederholung dieses Vorgangs ergibt sich eine Verteilung der Codebuchvektoren im Eingaberaum, die sich der Verteilung der dem Testdatensatz zugrunde liegenden Stichproben annähern kann. Dieser Algorithmus wird zur prädiktiven Modellierung verwendet.
