コンピュータサイエンスにおいて、学習ベクトル量子化(LVQ)はプロトタイプベースの教師あり分類アルゴリズムです。LVQはベクトル量子化システムの教師あり版です。LVQは人工ニューラルネットワークの特殊なケースとして理解でき、より正確には、勝者総取りのヘッブ学習ベースのアプローチを適用します。自己組織化マップ(SOM)の前身であり、ニューラルガスやk近傍法(k-NN)と関連しています。LVQはTeuvo Kohonenによって発明されました。[ 1 ]
LVQシステムはプロトタイプによって表現されるこれらは、観測データの特徴空間で定義されます。勝者総取り型の学習アルゴリズムでは、各データポイントについて、与えられた距離尺度に従って入力に最も近いプロトタイプを決定します。このいわゆる勝者プロトタイプの位置は調整され、つまり、データポイントを正しく分類した場合は勝者が近づき、誤って分類した場合は遠ざけられます。
LVQの利点は、それぞれの応用分野の専門家にとって解釈しやすいプロトタイプを作成することです。[ 2 ] LVQシステムは、多クラス分類問題に自然な形で 適用できます。
LVQ の重要な課題は、トレーニングと分類に適した距離または類似性の尺度を選択することです。最近では、システムのトレーニング中にパラメータ化された距離尺度を適応させる技術が開発されています。たとえば、(Schneider、Biehl、および Hammer、2009) [ 3 ]およびその参考文献を参照してください。
LVQは、テキスト文書の分類において非常に有用なツールとなり得る。
アルゴリズムは[ 4 ]に示されているとおりである。
設定:
ラベルごとに複数のコードベクトルを初期化します。収束条件が満たされるまで繰り返します。
LVQ2はLVQ3と同じですが、次の文が削除されています。「もしそしてそして同じクラスを持つ場合、そして。"。 もしそしてそして同じクラスであれば、何も起こりません。

ラベルごとに複数のコードベクトルを初期化します。収束条件が満たされるまで繰り返します。
条件に注意してください、 どこ正確には、その点2つのアポロ球の間に落ちる。