Learning Vector Quantization
Posted Skye_Zhao
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Learning Vector Quantization相关的知识,希望对你有一定的参考价值。
学习矢量量化。
k近邻的缺点是你需要保留整个训练数据集。
学习矢量量化算法(简称LVQ)是一种人工神经网络算法,它允许你选择要挂在多少个训练实例上,并精确地了解这些实例应该是什么样子。
LVQ的表示是一个codebook vector集合。这些都是在开始时随机选择的,并根据学习算法的多次迭代对训练数据集进行最佳的总结。
在学习之后,codebook vector可以用来做出像k最近的邻居那样的预测。通过计算每个codebook vector和新数据实例之间的距离,可以找到最相似的邻居(最佳匹配的codebook vector)。然后将最佳匹配单元的类值或(回归的实际值)作为预测返回。
如果您将数据重新缩放到具有相同的范围(比如0到1之间),就可以获得最佳结果。
如果发现KNN在数据集上提供了良好的结果,那么可以尝试使用LVQ来减少存储整个训练数据集的内存需求。
以上是关于Learning Vector Quantization的主要内容,如果未能解决你的问题,请参考以下文章
14-2-Unsupervised Learning ----Word Embedding
机器学习- 吴恩达Andrew Ng 编程作业技巧 for Week7 Support Vector Machines
Acwing Arithmetic Learning:数据结构
论文笔记:Region Representation Learning via Mobility Flow