学习矢量量化-LVQ

最新推荐文章于 2023-05-24 16:32:51 发布

一叶_障目

最新推荐文章于 2023-05-24 16:32:51 发布

阅读量5.1k

点赞数 5

分类专栏： Python-Hadoop 文章标签： LVQ 神经网络

本文链接：https://blog.csdn.net/Haiyang_Duan/article/details/78875428

版权

Python-Hadoop 专栏收录该内容

61 篇文章 7 订阅 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

学习矢量量化（LVQ）是一种有监督的神经网络分类算法，包括LVQ1、LVQ2等，用于模式分类。LVQ通过更新神经元权向量来适应数据，其更新策略依赖于样本与原型向量的类别关系。LVQ与K均值算法类似，但具有自适应性，并能利用监督信息进行聚类。LVQ的不足之处在于训练过程可能不收敛以及对输入样本属性重要性的忽视。

摘要由CSDN通过智能技术生成

简单介绍

      学习矢量量化（Learning Vector Quantization，简称LVQ），与1988年提出的一种用于模式分类的有监督学习算法，是一种结构简单、功能强大的有监督式神经网络分类算法。典型的学习矢量量化算法有：LVQ1、LVQ2、LVQ3，其中，前两种算法应用较为广泛，尤其以LVQ2应用最为广泛和有效。
      学习矢量量化是一种结构简单、功能强大的有监督式神经网络分类方法。作为一种最近邻原型分类器，LVQ在训练过程中通过对神经元权向量（原型向量）的不断更新，对其学习率的不断调整，能够使不同类别权向量之间的边界逐步收敛至贝叶斯分类边界。算法中，对获胜神经元（最近邻权向量）的选取是通过计算输入样本和权向量之间的距离的大小来判断的。与矢量量化（VQ）相比，LVQ最突出的特点就是其具有自适应性。
      与K均值算法类似，学习向量量化（Learning Vector Quantization，简称LVQ）也是试图找到一组原型向量来刻画聚类结构，但与一般聚类算法不同的是，LVQ假设数据样本带有类别标记吗，学习过程中利用这些监督信息来辅助聚类。