Cuando compras a través de enlaces de afiliados en nuestra web, es posible que obtengamos una comisión sin coste adicional para ti. Aprende ¿Qué significa cuantización vectorial de aprendizaje?
La cuantización vectorial de aprendizaje (LVQ) es un algoritmo que es un tipo de redes neuronales artificiales y utiliza la computación neuronal. En términos más generales, puede decirse que es un tipo de inteligencia computacional.
Este algoritmo adopta un enfoque de aprendizaje competitivo, en el que el ganador se lo lleva todo, y también está relacionado con otros algoritmos de redes neuronales como el perceptrón y la retropropagación.
El algoritmo LVQ permite elegir el número de instancias de entrenamiento a las que se va a someter y luego aprende cómo son esas instancias. LVQ fue inventado por Teuvo Kohonen y está relacionado con el algoritmo k-próximo más cercano.
Definición decuantización vectorial de aprendizaje
El objetivo básico de la cuantización vectorial de aprendizaje en términos de procesamiento de la información es preparar, en el dominio de las muestras de datos observadas, un conjunto de vectores de libro de códigos.
A continuación, estos vectores se utilizan para la clasificación de vectores no observados. Inicialmente, se compone un conjunto aleatorio de vectores y, a continuación, se exponen a muestras de entrenamiento. Aplicando una estrategia de «el ganador se lo lleva todo», se elige uno o los vectores más similares al patrón de entrada dado.
Finalmente, se ajustan de forma que se acerquen al vector de entrada o, a veces, se alejen del segundo. Al repetir este proceso, se obtiene una distribución de vectores del libro de códigos en el espacio de entrada que puede aproximarse a la distribución de las muestras subyacentes al conjunto de datos de prueba. Este algoritmo se utiliza para el modelado predictivo.
