Ағылшыншамен салыстырыңыз: абзацты басыңыз — түпнұсқа терезеде ашылады. Абзац астындағы EN түймесі оны мәтін ішінде көрсетеді.
Кіріспе
Компьютерлік ғылымда, векторлық кванттауды оқыту (LVQ) – прототиптерге негізделген қадағалаулы жіктеу алгоритмі. LVQ – векторлық кванттау жүйелерінің қадағалаулы әрі теңдес нұсқасы.
In computer science, learning vector quantization (LVQ) is a prototype based supervised classification algorithm. LVQ is the supervised counterpart of vector quantization systems.
Шолу
LVQ жасанды нейрондық желілердің ерекше жағдайы ретінде түсіндірілуі мүмкін, дәлірек айтқанда, ол «жеңімпаз алады» принципіне негізделген Хеббиандық оқу әдісін қолданады. Бұл өзін-өзі ұйымдастыру карталарының (SOM) алғы күші және нейрондық газ және k ең жақын көрші алгоритмімен (k NN) байланысты. LVQ-ны Тьюво Кохонен ойлап тапты. LVQ жүйесі байқалатын деректердің ерекшелік кеңістігінде анықталған прототиптермен көрсетіледі. «Жеңімпаз алады» оқу алгоритмдерінде әрбір дерек нүктесі үшін берілген қашықтық өлшемі бойынша кіріске ең жақын прототип анықталады. Осы «жеңімпаз» прототипінің орны кейін бейімделеді, яғни жеңімпаз дерек нүктесін дұрыс жіктесе, жақындатылады, ал дұрыс жіктемесе, алыстатылады. LVQ-ның артықшылығы – ол тиісті қолдану саласының мамандарына түсіндіруге оңай прототиптерді құрайды. LVQ жүйелерін көп сыныпты жіктеу мәселелеріне табиғи түрде қолдануға болады. LVQ-дағы маңызды мәселе – оқыту және жіктеу үшін қолайлы қашықтық немесе ұқсастық өлшемін таңдау. Соңғы уақытта жүйені оқыту барысында параметрленген қашықтық өлшемін бейімдейтін әдістер әзірленді, мысалы, (Schneider, Biehl, and Hammer, 2009) және ондағы сілтемелерді қараңыз. LVQ мәтіндік құжаттарды жіктеуде үлкен көмек көрсете алады.
LVQ can be understood as a special case of an artificial neural network, more precisely, it applies a winner take all Hebbian learning based approach. It is a precursor to self organizing maps (SOM) and related to neural gas and the k nearest neighbor algorithm (k NN). LVQ was invented by Teuvo Kohonen. An LVQ system is represented by prototypes which are defined in the feature space of observed data. In winner take all training algorithms one determines, for each data point, the prototype which is closest to the input according to a given distance measure. The position of this so called winner prototype is then adapted, i. e. the winner is moved closer if it correctly classifies the data point or moved away if it classifies the data point incorrectly. An advantage of LVQ is that it creates prototypes that are easy to interpret for experts in the respective application domain. LVQ systems can be applied to multi class classification problems in a natural way. A key issue in LVQ is the choice of an appropriate measure of distance or similarity for training and classification. Recently, techniques have been developed which adapt a parameterized distance measure in the course of training the system, see e. g. (Schneider, Biehl, and Hammer, 2009) and references therein. LVQ can be a source of great help in classifying text documents.