Learning Vector Quantization (LVQ)
Learning Vector Quantization (LVQ) adalah sebuah metode klasifikasi dimana setiap unit output mempresentasikan sebuah kelas. LVQ digunakan untuk pengelompokkan dimana jumlah kelompok sudah ditentukan arsitekturnya (target/kelas sudah ditentukan).
LVQ salah satu jaringan syaraf tiruan yang merupakan algoritma pembelajaran kompetitif terawasi versi dari algoritma Kohonen Self-Organizing Map (SOM). Tujuan dari algoritma ini adalah untuk mendekati distribusi kelas vektor untuk meminimalkan kesalahan dalam pengklasifikasian.
Algoritma diusulkan oleh Kohonen pada tahun 1986 sebagai perbaikan dari Vector Quantization. Model pembelajaran LVQ dilatih secara signifikan agar lebih cepat dibandingkan algoritma lain seperti Back Propagation Neural Network. Hal ini dapat meringkas atau mengurangi dataset besar untuk sejumlah kecil vektor.
LVQ salah satu jaringan syaraf tiruan yang merupakan algoritma pembelajaran kompetitif terawasi versi dari algoritma Kohonen Self-Organizing Map (SOM). Tujuan dari algoritma ini adalah untuk mendekati distribusi kelas vektor untuk meminimalkan kesalahan dalam pengklasifikasian.
Algoritma diusulkan oleh Kohonen pada tahun 1986 sebagai perbaikan dari Vector Quantization. Model pembelajaran LVQ dilatih secara signifikan agar lebih cepat dibandingkan algoritma lain seperti Back Propagation Neural Network. Hal ini dapat meringkas atau mengurangi dataset besar untuk sejumlah kecil vektor.
Arsitektur LVQ seperti pada gambar berikut:
Adapun Langkah langkah LVQ sebagai berikut:
- Tetapkan: bobot(W), maksimum epoch (MaxEpoch), error minimum yang diharapkan (Eps), Learning rate (a).
- Masukan:
- Input : x(m,n);
- Target : T(1,n)
- Tetapkan kondisi awal:
- Epoch = 0;
- Eps = 1;
- Tetapkan jika:epoch < MaxEpoch atau ( e < eps)
- Epoch = Epoch + 1
- Kerjakan untuk i = 1 sampai n
- Tentukan J sedemikian hingga || x � wj || minimum (sebut sebagai Ci)
- Perbaiki Wj dengan ketentuan:
- Jika T ? Cj maka: wj(baru) = wj(lama) - a (x-wj(lama))
- Kurangi nilai a
Komentar
Posting Komentar
-Berkomentarlah yang baik dan rapi.
-Menggunakan link aktif akan dihapus.