学习向量量化

文章参考哔哩哔哩

 

和K-means的不同:

1.每个样例有类别标签，即LVQ是一种监督式学习;

2.输出不是每个簇的划分，而是每个类别的原型向量;

3.每个类别的原型向量不是简单的均值向量，考虑了附近非/同样业的影响。

 

图例：

1. 从一堆样本点中随机选取点  ,初始化一组原型向量 。

2. 计算样本  与  的距离，找出与  距离最近的原型向量 。如图与样本点  距离最近的原型向量是 。

3.因为每个样例都有类别标记，若最近的原型向量  与  的标记类别相同，则令  向  方向靠拢，得到  。类似地，如果   与  的标记类别不同，则增大  和  的距离， 得到  

从而更远离 。

 4.循环，直到收敛。输出最后的原型向量。红线为相邻两个点连线的垂直平分线，将样本点进行簇的划分。