شبکه عصری بردار کوانتیزه کننده یادگیر (Learning Vector Quantization - LVQ)، در ریاضیات (Mathematics)
انواع شبکه های عصبی (Neural Networks) را در آموزش زیر شرح دادیم :
شبکه عصری بردار کوانتیزه کننده یادگیر (Learning Vector Quantization - LVQ) :
بردار کوانتیزه کننده یادگیر (LVQ) یک روش یادگیری نظارت شده است که مبتنی بر بردارهای مرجع (نماینده) برای هر کلاس می باشد. این روش مشابه SOM است اما با استفاده از برچسب های کلاس. در LVQ، مجموعه ای از بردارهای وزن (نمونه های اولیه) برای هر کلاس در نظر گرفته می شود. برای هر نمونه آموزشی، نزدیک ترین بردار مرجع (برنده) پیدا می شود. اگر برنده و نمونه هم کلاس باشند، وزن برنده به سمت نمونه حرکت می کند و اگر کلاس متفاوت باشند، وزن برنده از نمونه دور می شود.
فرمول به روزرسانی (برای برنده
\[ w_c \]): اگر کلاس ها مطابقت داشته باشند:
\[ w_c(t+1) = w_c(t) + \alpha(t) (x - w_c(t)) \]؛ در غیر این صورت:
\[ w_c(t+1) = w_c(t) - \alpha(t) (x - w_c(t)) \].
LVQ یک طبقه بند ساده و تفسیرپذیر است که برای مسائلی با ابعاد متوسط و داده های کم مؤثر است. انواع مختلفی مانند LVQ1، LVQ2، LVQ3 وجود دارد. کاربردها: تشخیص الگو، فشرده سازی، طبقه بندی.
