文章目录
一、什么是学习向量量化？
-
- 一、什么是学习向量量化？
- 二、学习向量量化如何工作？
- 三、学习向量量化的架构
-
- 3.1 架构
- 3.2 实现步骤
- 四、案例实现
- 五、参考
K邻近算法的缺点是你需要坚持整个训练数据集。学习向量量化（或 LVQ）是一种人工神经网络，它也受到神经系统生物模型的启发。它基于原型监督学习分类算法，通过类似于自组织图的竞争学习算法对其网络进行训练。它还可以处理多类分类问题。LVQ有两层，一层是Input层，一层是Output层。下面给出了学习向量量化的架构，其中包含输入数据中的类数和任何样本的 n 个输入特征： 
模式库称为码本向量，每个模式称为码本。码本向量被初始化为从训练数据集中随机选择的值。LVQ的表示是码本向量的集合。这些是在开始时随机选择的，并且适于在学习算法的多次迭代中最佳地总结训练数据集。在学习之后，可以使用码本向量来进行与K-Nearest Neighbors类似的预测。通过计算每个码本矢量和新数据实例之间的距离来找到最相似的邻居（最佳匹配码本矢量）。然后返回最
