Изучение векторного квантования
Векторное квантование обучения (или LVQ) - это тип искусственной нейронной сети, который также вдохновлен биологическими моделями нейронных систем. Он основан на прототипе алгоритма классификации контролируемого обучения и обучил свою сеть с помощью алгоритма конкурентного обучения, аналогичного самоорганизующейся карте. Он также может иметь дело с проблемой мультиклассовой классификации. LVQ имеет два уровня: один - входной, а второй - выходной. Архитектура векторного квантования обучения с количеством классов во входных данных и n количеством входных функций для любого образца приведена ниже: 
Как работает обучающее векторное квантование?
Скажем, входные данные размера (m, n), где m - номер обучающего примера, а n - количество функций в каждом примере и вектор метки размера (m, 1). Во-первых, он инициализирует веса размера (n, c) из первого c числа обучающих выборок с разными метками и должен быть исключен из всех обучающих выборок. Здесь c - количество классов. Затем выполните итерацию по оставшимся входным данным, для каждого обучающего примера он обновляет вектор выигрыша (вектор веса с кратчайшим расстоянием (например, евклидово расстояние) из обучающего примера). Правило обновления веса задается:
w ij = w ij (старый) - alpha (t) * (x i k - w ij (старый))
где альфа - скорость обучения в момент времени t, j обозначает выигрышный вектор, i обозначает i- ю особенность обучающего примера, а k обозначает k- й обучающий пример из входных данных. После обучения сети LVQ обученные веса используются для классификации новых примеров. Новый пример с классом выигрышного вектора.
Алгоритм
Вовлеченные шаги:
- Инициализация веса
- Для количества эпох от 1 до N
- Выберите пример обучения
- Вычислить выигрышный вектор
- Обновить выигрышный вектор
- Повторите шаги 3, 4, 5 для всего обучающего примера.
- Классифицируйте тестовый образец
Ниже представлена реализация.
Внимание компьютерщик! Укрепите свои основы с помощью базового курса программирования Python и изучите основы.
Для начала подготовьтесь к собеседованию. Расширьте свои концепции структур данных с помощью курса Python DS. А чтобы начать свое путешествие по машинному обучению, присоединяйтесь к курсу Машинное обучение - базовый уровень.